缩放一致性：多步骤视觉 grounding 流程中的免费置信信号
计算机视觉与模式识别
2026-04-20 v1 人工智能
摘要
多步骤缩放式GUI grounding方法广泛应用，但通常在坐标映射后丢弃中间预测结果。我们观察到，这些中间输出包含一种有用的置信信号：缩放一致性，即模型第二步预测与裁剪中心之间的距离。与对数概率或标记级不确定性不同，缩放一致性是共享坐标空间中的几何量，无需校准即可在不同结构的VLMs之间直接比较。我们在理想条件下证明该量是第二步空间误差的线性估计器，并在两种VLMs（KV-Ground-8B和Qwen3.5-27B）上表明其与预测正确性呈显著相关性（AUC=0.60，对KV-Ground-8B的Spearman rho=-0.14, p<10^{-6}；rho=-0.11, p=0.0003）。相关性虽小但稳定，跨模型、应用类别和操作系统均如此。作为验证性应用，我们利用缩放一致性在专家模型与通用模型之间进行路由，捕获了16.5%的oracle headroom（+0.8%，McNemar p=0.19）。代码已公开。
关键词
引用
@article{arxiv.2604.15376,
title = {Zoom Consistency: A Free Confidence Signal in Multi-Step Visual Grounding Pipelines},
author = {Keon Kim and Krish Chelikavada},
journal= {arXiv preprint arXiv:2604.15376},
year = {2026}
}