组合视觉语言理解的推理时间结构推理

视觉语言模型（VLM）擅长图像文本检索，但在组合推理、区分共享相同单词但关系结构不同的图像描述方面一直失败。我们提出了一个统一的评估和增强框架，在普通和场景图增强制度下的 Winoground 基准上对四个架构不同的 VLM、CLIP、BLIP、LLaVA 和 Qwen3-VL-8B-Thinking 进行基准测试。我们引入了一个基于依赖性的 TextSceneGraphParser (spaCy)，用于提取主语-关系-客体三元组，以及使用最佳二分匹配来注入结构关系先验的图不对称评分器。字幕消融实验（主客体掩蔽和交换）表明，Qwen3-VL-8B-Thinking 的组得分为 62.75，远远高于所有基于编码器的模型，而提出的多轮 SG 过滤策略将其进一步提升至 66.0，超过了之前的开源最先进技术。我们分析了能力增强的权衡，发现 SG 增强有利于已有能力的模型，同时为较弱的基线提供可忽略不计或负的增益。代码：https://github.com/amartyacodes/Inference-Time-Structural-Reasoning-for-Compositional-Vision-Language-Understanding