arXiv cs.CL· Somraj Gautam, Gaurav Harit·· 11 小时前AI 评分27
Cycle-of-Thought：面向文档图像表格视觉问答的自评估迭代推理框架
Cycle-of-Thought: Self-Evaluative Iterative Reasoning for Table Visual Question Answering in Document Images
AI 导读
Self-RefineVQA 是一个无需训练、在推理阶段自我纠错的表格 VQA 框架，让单个 VLM 迭代扮演生成器、批评者和精炼者，通过提示词引导的重新评估修正空间错位与逻辑幻觉。在表格 VQA 基准上，该方法在单语和跨语言理解中均取得稳定准确率提升，2B-7B 参数的小模型提升尤为明显，可媲美更大模型。其推理成本线性增长，但省去了人工标注的微调瓶颈，数据效率更高。
正文 · AI 翻译
摘要：视觉语言模型（VLM）的最新进展显著提升了视觉问答（VQA）的性能，但其对表格等结构化内容的推理仍不一致，常受空间错位和逻辑幻觉困扰。现有改进表格 VQA 的方法通常依赖架构修改或昂贵的监督微调（SFT），由于需要大规模专家标注数据集和大量计算资源，入门门槛很高。在本工作中，我们提出 Self-RefineVQA，一种无需训练、在推理时进行自我纠正的框架，无需额外标注数据或模型更新即可提升表格 VQA 性能。受人类修改行为启发，我们的方法使单个 VLM 迭代地充当生成器、批评者和精炼者，形成闭环自我反馈回路，通过提示引导的重新评估来纠正常见的推理错误。在表格 VQA 基准上的实验表明，Self-RefineVQA 在单语和跨语言理解中均带来一致的准确率提升，对小模型的提升尤为显著，使轻量模型（如 2B-7B 参数）能够媲美大得多的同类模型。此外，我们提供了复杂度对比分析，表明虽然推理成本线性增加，但我们的框架具有更优的数据效率，并通过消除微调所需的人工标注这一难以承受的瓶颈，实现了更低的累计成本。我们的结果凸显了基于提示的自我改进作为 VLM 中可靠表格推理的可扩展、易获取范式的潜力。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.32423 [cs.CV] |
| （或 arXiv:2610.32423v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32423 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Somraj Gautam [查看邮箱]
[v1]
2026年10月23日星期五 09:50:37 UTC（1,591 KB）
来源：arXiv cs.CL · arxiv.org