arXiv cs.AI· Shubhabrata Mukherjee, Jeffrey Donatelli, Daniela Ushizima·· 10 小时前AI 评分34
ZETA 架构：将路由策略与动作空间分离，让视觉智能体科学推理
Route First, See Later: Enabling Vision Agents to Reason Scientifically by Separating Routing Policy from Action Spaces
AI 导读
ZETA 架构将路由策略与动作执行解耦，先解析科学意图再调用专用视觉工具，使路由正确性与下游执行可作为独立失败模式评估。在 51 条科学意图查询的零样本基准上，显式路由策略规范使 Qwen 3.8 的分割路由准确率从 6.2% 提升至 75.0%，检测路由准确率从 60.0% 提升至 100%。执行轨迹让路由决策与下游产物可分别观测，从而区分意图选择错误与视觉执行失败。
正文 · AI 翻译
摘要：科学图像分析工作流要求智能体在描述、检测、计数和分割等多种能力中进行选择。当前的多工具架构将意图解释与视觉执行混为一谈，从而掩盖了失败究竟源于推理缺陷（错误路由）还是感知失败（无效的工具执行）。这种可审计性的缺失使得智能体在高风险的科学自动化中不可靠。我们提出 ZETA，一种可扩展架构，将路由策略与动作执行的解耦付诸实践。ZETA 在调用专用视觉工具之前先解析科学意图，将测量视为一种基于显式几何的确定性操作，而非生成式输出。该架构揭开了智能体决策的“黑箱”，使路由正确性和下游执行能够作为独立的失败模式进行评估。
据我们所知，我们提供了科学视觉智能体路由领域的首个受控研究，在保持合法动作接口固定的同时，单独分离出显式路由策略规范。在包含 51 个科学意图查询的零样本基准上的评估表明，显式路由语义可以显著提高路由准确率，尤其是在语义相邻的动作边界处，尽管改进因模型而异。对于 Qwen 3.8，显式路由策略规范将分割路由准确率从 6.2% 提升至 75.0%，将检测路由准确率从 60.0% 提升至 100%。ZETA 的执行轨迹使路由决策和下游产物可分别观测，为区分意图选择错误与视觉执行失败提供了依据。ZETA 建立了将执行错误与解释错误分离所需的基础设施，这是部署可靠科学视觉智能体的关键要求。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.06760 [cs.CV] |
| （或 arXiv:2611.06760v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06760 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shubhabrata Mukherjee [查看电子邮件]
[v1]
2026年11月4日星期三 16:39:17 UTC（6,478 KB）
来源：arXiv cs.AI · arxiv.org