VLM Visual Grounding Self-Diagnosis Multi-step Reasoning
摘要

视觉语言模型(VLM)在多步推理过程中常出现视觉定位丢失现象,即随着推理链延长,后续步骤越来越依赖语言先验而非图像证据。本文识别出这一退化的基准特征,并提出 ReGround 框架,教导 VLM 自我诊断定位失败并选择性复查视觉证据。该方法无需架构修改或外部工具,通过能力引导,使策略模型在推理时能自主诊断。实验表明,该框架在八个基准测试中均取得一致增益,尤其在视觉密集型多步推理任务上效果显著,且推理开销适中。

AI 推荐理由

论文直接解决多步推理中的视觉 grounding 退化问题,通过自我诊断和重新检查提升推理准确性,属于核心研究。

研究机构
中国科学技术大学 中国科学技术大学 artificial intelligence and data science school 中国科学技术大学 precision and intelligent chemistry state key laboratory
论文信息
作者 Lei Peng, Shuai Lv, Wei Hu
发布日期 2026-08-05
arXiv ID 2608.04385
相关性评分 9/10 (高度相关)