多步视觉推理不再只靠对话历史:Visual Board把观察、疑点与推导分开,8B系统在三项基准上超过32B单模型
核心概要
多步视觉问答里,早期的看错会作为前提留在对话历史中,后续推理再自洽也难纠正。Visual Board把图像观察、未定细节和推导结论分字段写入一个容量受限、可整体替换的工作区,并保留原图供复查。在Euclid30K、SolidGeo和ChartQA柱状图上,无需任务训练,4B、8B、Qwen3-VL-Flash和32B四种配置全部提升,幅度6.10到24.82个百分点;同构All-8B在三个基准上均超过单模型Qwen3-VL-32B。
深度剖析
多步视觉推理的瓶颈被定位在视觉证据的表示方式上,而不只是收集了多少证据:把观察、未定解释和推导结论分开记录,能让“看到的”和“推出来的”之间的冲突显式暴露出来。 此前的多步框架把每次观察和推断追加进不断增长的对话历史,早期误读因此成为后续每一步的前提,即使新证据出现也很少被回头修改。 在Euclid30K、SolidGeo和ChartQA柱状图上,不做事先任务训练,4B、8B、Qwen3-VL-Flash和32B四种配置相对各自单模型基线全部提升,幅度为6.10到24.82个百分点。
工作区由图像事实、未定图像事实和推理步骤三个字段组成,求解器以快照替换而非追加的方式更新它,原图始终作为权威视觉证据保留可访问。 工具返回的新观察只作为待接受的提案,不自动写入已提交的工作区;被推翻的观察可以撤回为不确定项,依赖它的推导随之更新。 在Euclid30K的500题对照中,固定求解器、工具、评审和交互上限后,结构化工作区在All-4B、All-8B和Qwen3.8-Flash上分别比共享自由笔记高13.00、9.35和6.67个百分点,比无工作区重试高18.80、7.35和8.47个百分点,同时少用7.9%到38.2%的token。
启示与展望
演示范围是Euclid30K、SolidGeo和ChartQA柱状图三类视觉问答,骨干覆盖4B、8B、Qwen3-VL-Flash和32B,评审为纯文本模型且不接触图像。消融对照集中在Euclid30K的500道题上,32B诊断研究为50题规模。监督微调仅使用Euclid30K训练集划分中的1,556条几何轨迹,与ChartQA-Bar无重叠。
纯文本评审可能漏掉视觉上错误但内部自洽的前提。评审带来的收益随骨干能力变化:All-4B和All-8B分别提升12.00和7.95个百分点,而Qwen3.8-Flash去掉评审反而从68.47%升到69.80%,同时少用59.8%的token和57.6%的时间。整套harness因多轮求解器、视觉工具和评审调用而增加推理成本。监督微调目前只覆盖几何轨迹,扩展到更广视觉领域仍是后续工作。
