LOCI：带有 Refinement Loop 的 Locator-Critic

Vision-Language Models（VLMs）在需要复杂视觉理解的任务上仍然表现不佳。我们认为，核心问题不在于高层推理，而在于无法在图像中定位关键细节。由于这一缺陷，VLMs 往往会基于有缺陷的感知依据生成看似合理但实际上错误的推理。为了解决这一问题，我们提出 Locator-Critic（LOCI），这是一个无需训练的框架，将视觉搜索与证据验证解耦。LOCI 采用一个 Locator 代理来提出候选视觉证据，再由独立的 Critic 代理评估其相关性和充分性。这些代理在一个迭代的 Refinement Loop 中协同工作，逐步改进证据，直到其足以回答给定问题。这种解耦的、自我纠正的过程带来了显著的性能提升，在多个复杂视觉基准上取得了 state-of-the-art 结果。LOCI 同时提升了开源权重模型（如 Qwen3-VL，在 V* 上提升 +12.1，在 HR-Bench 上提升 +5.8，在 VisualProbe-Hard 上提升 +11.2）和专有模型（如 Gemini 2.5 Pro，在 V* 上提升 +8.9，在 HR-Bench 上提升 +4.3，在 VisualProbe-Hard 上提升 +4.8）的准确率。