Timbre：面向无标签多模态测试时强化学习的可靠性感知谐波共识

无标签测试时强化学习利用模型自身预测所得的奖励来适配视觉—语言模型。然而，对视觉证据的误解以及对文本表述方式的敏感性，可能产生一致但错误的共识，并通过多数投票得到强化。跨视图聚合能够暴露此类错误，但图像和文本变换本身也可能以不同程度损害与任务相关的证据。我们提出 \method，一种面向多模态测试时强化学习的可靠性感知谐波共识框架。\method 构建一个 $2\times2$ 网格，将原始图像与扰动图像分别结合直接求解模式和重新表述模式，通过加权谐波聚合选择伪标签，并利用伪标签置信度变化的批次平均、时间平滑偏移，将其作为启发式可靠性信号来调整模态级权重。我们将共识表述为一个加权 $χ^2$-重心问题，其唯一极小值是归一化的加权谐波聚合结果，且不要求正确答案具有不变性。精确的支持度—离散度分解刻画了谐波聚合保留或纠正算术排序的条件；同时，敏感性分析揭示了模态重加权如何改变成对排序的间隔，从而为启发式更新的解释提供依据。在六个基准和三种规模的 Qwen3-VL 模型上，在匹配估计与优化 rollout 次数的条件下，\method 在适配实例的 18 个基准—模型设置中有 16 个优于 TTRV，在留出实例的 18 个设置中有 17 个优于 TTRV。这些结果表明，该方法能够提升目标任务适配能力，并在无需进一步更新的情况下迁移到未见实例。