V-ABS：用于动态视觉推理的动作观察者驱动光束搜索

多模态 大语言模型 (MLLM) 在一般感知方面取得了显着的成功，但复杂的多步骤视觉推理仍然是一个持续的挑战。尽管最近的代理方法结合了工具的使用，但它们经常忽略关键的执行反馈。因此，他们遭受了想象-行动-观察者（IAO）偏见，即先前的想象和观察者反馈之间的不一致，从而破坏了推理的稳定性和最优性。为了弥补这一差距，我们引入了 V-ABS，这是一种行动观察者驱动的波束搜索框架，可以通过思考者-行动者-观察者迭代进行深思熟虑的推理。我们还提出了一种基于熵的自适应加权算法，通过动态平衡策略先验和观察反馈之间的置信度分数来减轻 IAO 偏差。此外，我们构建了一个包含超过 80k 个样本的大规模监督 微调 (SFT) 数据集，以指导模型为正确的行动路径分配更高的先验置信度。跨越八个不同基准的大量实验表明，V-ABS 实现了最先进的性能，在 Qwen3-VL-8B 基准上平均提高了 19.7%，并且在开源和专有模型上都获得了一致的增益。