理解基于大语言模型的卡通 VQA 中的多智能体推理
计算机视觉与模式识别
2026-01-07 v1
摘要
针对风格化卡通图像的视觉问答（VQA） presents 挑战，例如解释夸张的视觉抽象和叙事驱动的背景，这些挑战未被标准基于自然图像训练的大语言模型（LLM）充分解决。为调查此问题，我们引入一种多智能体 LLM 框架，专为卡通图像的 VQA 任务设计。该框架由三个专用智能体组成：视觉智能体、语言智能体和批判性智能体，它们协作工作，以支持结构化推理，通过整合视觉线索和叙事背景。该框架在两个基于卡通的 VQA 数据集上进行了系统评估：Pororo 和 Simpsons。实验结果对每位智能体对最终预测的贡献进行了详细分析，为更深入地理解 LLM 基于多智能体的行为在卡通 VQA 和多模态推理中提供了洞见。
引用
@article{arxiv.2601.03073,
title = {Understanding Multi-Agent Reasoning with Large Language Models for Cartoon VQA},
author = {Tong Wu and Thanet Markchom},
journal= {arXiv preprint arXiv:2601.03073},
year = {2026}
}