arXiv cs.AI· Qi Wang, Peijie Wang, Jun Cao, Haoyang Tong, Xiao-Hui Li, Fei Yin, Cheng-Lin Liu·· 11 小时前AI 评分38
ChartEvo：面向长尾图表推理的自进化智能体框架
ChartEvo: Self-Evolving Agent Harnesses for Long-Tail Chart Reasoning
AI 导读
ChartEvo 是一个递归自我改进框架，让图表智能体通过经验驱动的框架级自我进化适应表现不佳的图表类型，并联合进化可复用的图表技能与可执行工具。在 ChartBench 和 ChartX 的长尾图表上，ChartEvo 相比基座模型 Qwen3.7-Plus 分别提升准确率 45.6% 和 32.5%。该框架还学习可复用的局部工具调用链，以组合进化后的能力并控制工具增强推理的推理开销。
正文 · AI 翻译
摘要：多模态大语言模型（MLLMs）在图表理解与推理方面已取得显著进展，但其在不同图表类型上的表现仍很不均衡。现代 MLLMs 在常见图表上表现良好，但在视觉结构和推理需求多样的长尾图表上，准确率急剧下降。工具增强型智能体可通过引入专门的视觉能力来改进复杂图表推理，但针对异构且不断演进的长尾图表手动设计策略和工具难以规模化。我们提出 \textbf{ChartEvo}，一个递归自我改进框架，使图表智能体能够通过经验驱动的 harness 级自我改进来适应表现不佳的图表类型。ChartEvo 联合演化可复用的图表专用技能（Skills）和可执行工具（Tools），同时学习可复用的局部工具调用链，以组合演化出的能力并控制工具增强推理的推理开销。在 ChartBench 和 ChartX 的长尾图表上，ChartEvo 相比其基础 MLLM Qwen3.7-Plus 的准确率分别提升 \textbf{45.6\%} 和 \textbf{32.5\%}，证明了递归自我改进在长尾图表适应方面的有效性。
| 主题： | 人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.28282 [cs.AI] |
| （或本版本的 arXiv:2610.28282v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.28282 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Qi Wang [查看邮箱]
[v1]
2026年10月20日星期二 14:34:54 UTC（3,619 KB）
来源：arXiv cs.AI · arxiv.org