跳到正文
arXiv cs.AI· Haoyang Liu, Kecheng Liang, Xinyu Li, Weixing Chen, Yang Liu·· 23 小时前AI 评分31

PhysScope:用 grounded 视觉记忆做智能体多模态物理推理

PhysScope: Agentic Multimodal Physics Reasoning with Grounded Visual Memory

AI 导读

PhysScope 是一个推理时视觉框架,不更新模型权重即可让 VLM 把物理适用范围与视觉观察绑定,并对智能体提出的修正做来源与范围校验,被接受的修正会使相关依赖失效以维护范围感知工作记忆。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:视觉语言模型(VLM)能够正确解读物理示意图,却会在其约束并不成立的状态或条件之外套用这些约束,导致前提错误在后续计算中传播。我们提出 PhysScope,一种推理时的视觉约束框架,无需更新模型权重即可支持对此类作用域不匹配的自我纠正。PhysScope 使模型能够将物理作用域直接关联到其视觉观察,并显式构建派生视图以支持推理。该框架在模型推理过程中对状态区分、条件和物理作用域施加显式约束,并对照来源与作用域检查智能体提出的修订。被接受的修订会使已注册的依赖项失效,从而维护作用域感知的工作记忆。在 PhysAlign 上,PhysScope 在全部六个被评估的 VLM 上均取得高于直接求解的解题得分。在 Gemini-3.8-flash 上,它比 Canvas-CoT 高出 9.34 个百分点,并显著提升在分布外(OOD)PhysUniBench 基准上的解题准确率。消融研究支持将显式作用域管理和依赖维护作为多模态物理推理智能体的设计原则。
主题: 人工智能(cs.AI)
引用为: arXiv:2611.23010 [cs.AI]
  (或本版本的 arXiv:2611.23010v1 [cs.AI])
  https://doi.org/10.48550/arXiv.2611.23010

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Haoyang Liu [查看邮箱]
[v1] 2026年11月17日星期二 16:22:21 UTC(1,330 KB)

来源:arXiv cs.AI · arxiv.org