StaR-KVQA：结构化推理痕迹用于隐式知识视觉问答

知识驱动的视觉问答（KVQA）要求模型在图像中对实体进行 grounding，并推理。近期工作引入其隐式知识变体 IK-KVQA，仅依赖多模态大语言模型（MLLM）作为知识来源，答案无需外部检索。现有 IK-KVQA 方法通常仅基于答案进行监督：推理过程隐式化，依据往往弱且不一致，标准监督微调（SFT）后泛化性差。我们提出 StaR-KVQA 框架，为 IK-KVQA 引入双路径结构化推理痕迹——关于文本与视觉的符号关系路径以及基于路径的自然语言解释——提供强于通用答案监督的归纳偏置。这些痕迹作为模态感知的脚手架，引导模型聚焦相关实体与属性，结构性强于通用链式思考监督，却不限制推理固定路径。仅用单个开源 MLLM，StaR-KVQA 构建并筛选痕迹，构建离线痕迹丰富数据集，再进行结构感知自蒸馏；无需外部检索器、验证器或精心构建的知识库，推理仅需一次自回归前向传播。跨基准测试，StaR-KVQA 稳定提升答案准确率与中间推理透明度，在 OK-VQA 上相较于最强基线提升最高达 11.3%。