链式证据：基于像素的迭代检索增强生成可视化归因
计算机视觉与模式识别
2026-05-26 v2 人工智能
计算与语言
信息检索
摘要
迭代检索增强生成（iRAG）已成为一种强大的范式，用于通过逐步检索和推理外部文档来回答复杂的多跳问题。然而，当前系统主要 operate on 解析文本，存在两个关键瓶颈：（1）粗粒度归因，用户需要基于模糊的文本引用手动定位 lengthy documents 中的证据；（2）视觉语义丢失，将富有视觉信息的文档（如演示文稿、带图表的PDF）转换为文本，会丢弃推理所必需的空间逻辑和布局线索。为弥合这一差距，我们提出了链式证据（Chain of Evidence, CoE），一个无检索器依赖的视觉归因框架，利用视觉语言模型直接对检索到的文档候选截图进行推理。CoE消除了格式特定的解析，输出精确的边界框，在检索到的候选集中可视化完整的推理链。我们在两个不同的基准上评估了CoE：一个来自2WikiMultiHopQA的大规模结构化网页数据集（Wiki-CoE），以及一个包含复杂图表和自由布局演示文稿的挑战性数据集（SlideVQA）。实验表明，微调的Qwen3-VL-8B-Instruct模型在需要视觉布局理解的场景中显著优于基于文本的基线方法，同时为像素级可解释的iRAG建立了一个无检索器依赖的解决方案。我们的代码可在https://github.com/PeiYangLiu/CoE.git获取。
引用
@article{arxiv.2605.01284,
title = {Chain of Evidence: Pixel-Level Visual Attribution for Iterative Retrieval-Augmented Generation},
author = {Peiyang Liu and Ziqiang Cui and Xi Wang and Di Liang and Wei Ye},
journal= {arXiv preprint arXiv:2605.01284},
year = {2026}
}