检索图像作为视觉思维：面向开放与封闭差距的免训练多模态上下文学习

现有“图像思维”研究多依赖生成式方法，存在工具协议复杂或训练成本高的问题。本文提出 ReVisIT，一种免训练框架，通过将检索到的图像 - 标签对视为视觉思维单元，实现动态视觉推理。该方法结合结构化类定义、多模态检索及交替注入机制，在多个基准测试中显著提升了不同规模模型的推理性能，证明了检索质量是性能提升的关键来源，并发布了新的 MAAC-Bench 基准。