Spatial Relation Classification Visual Language Models Inference-time Intervention Evidence-based Reasoning
摘要

空间关系问答要求模型在比较布局前识别查询的主语和宾语。然而,视觉语言模型(VLM)即使能识别实体,也可能因错误实例或模糊的全局视图而给出错误答案。本文提出SEER,一种针对冻结VLM的无需训练的推理时证据接口,旨在通过显式化特定查询的证据来缓解此失败。SEER在配对定位期间隐藏候选关系,构建具有明确主语/宾语角色的特定查询视图,并保留完整图像和稀疏框几何结构作为互补证据。实验表明,该方法在多个基准上显著提升了空间关系分类的准确率,确立了特定查询证据构建作为主要干预手段的有效性。

AI 推荐理由

论文聚焦于空间关系推理中的实体定位与角色混淆问题,通过构建显式证据接口优化推理过程,属于核心推理机制研究。

研究机构
中国科学院计算技术研究所 人工智能安全重点实验室 中国科学院大学
论文信息
作者 Feixiang Liu, Likun Wang, Qiang Qiu, Hui Xu, Huawei Shen et al.
发布日期 2026-08-04
arXiv ID 2608.03631
相关性评分 9/10 (高度相关)