arXiv cs.AI· Yingbo Ma, Kuangshi Ai, Gordon Dai, Chenglong Yu, Chaoli Wang, Hua Shen·· 6 天前AI 评分22
VETR：基于执行轨迹的符号图形推理自改进智能体
VETR: Execution-Grounded Self-Improving Agent for Symbolic Graphics Reasoning
AI 导读
VETR 是一个面向符号图形推理的智能体框架，通过保留程序与渲染对齐记录，并用执行精炼器将运行时写入和状态变化编译为受约束的替代程序，实现递归自改进。
正文 · AI 翻译
摘要：用于符号图形推理的视觉智能体依赖于可执行的世界表示，然而持续改进仍受制于来自最终渲染结果的模糊监督。近期的智能体系统通过反复交互来细化场景，但缺乏从执行轨迹中递归提取可操作证据的机制，忽视了哪些提出的符号编辑在程序执行过程中得以保留、消失或产生干扰。为解决这一问题，我们提出 VETR（Verified Execution Trajectories for Refinement，用于细化的验证执行轨迹），这是一个使智能体能够针对符号图形推理的可执行世界表示进行递归自我改进的框架。在每个任务中，VETR 保留对齐的程序/渲染记录以及有界运行时观测，并引入一个执行细化器，将观测到的写入和状态变化编译为受约束的替代程序。该细化器根据捕获的运行时状态验证其端点与保持条件；随后由普通视觉验证器评估目标相关性。修复构造不产生额外的语言模型调用，但可能需要额外的执行。在 BlenderGym（280 个任务）和 BlenderBench（27 个已发布任务）上，使用 GPT-5.6-luna 和 Qwen3.8-27B 进行的评估表明，VETR 持续优于现有的细化策略，包括 BlenderAlchemy 和 VIGA。在固定的生成器交互上限下，受控消融实验评估了执行细化与角色非对称证据组织的贡献。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.13098 [cs.AI] |
| （或 arXiv:2610.13098v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13098 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Kuangshi Ai [查看电子邮件]
[v1]
2026年10月9日星期五 06:51:59 UTC（6,631 KB）
来源：arXiv cs.AI · arxiv.org