ROVER：路由以对象为中心的视觉证据，用于扎根的多图像推理

多模态 大语言模型 (MLLM) 具有越来越多的本地化和交错的视觉证据，用于深思熟虑的推理。基于目标定位的方法通常通过将裁剪后的图像块或特定于 RoI 的特征注入推理上下文来关注感兴趣区域 (RoI)。然而，这样的设计可能会削弱整体场景理解和对象间关系，同时产生随着 RoI 的数量和大小而增加的解码成本。另外，自适应视觉特征选择通常需要细粒度的监督或复杂的启发式方法。为了解决这些限制，我们提出了 ROVER（用于基础多图像推理的路由以对象为中心的视觉证据），这是一个轻量级、可学习的插件，用于高效的全局视觉证据路由。在每个对象目标定位预测中，ROVER 都会注入一个特定于步骤的词元三元组，以协同地：（i）聚合正在进行的推理上下文，（ii）通过以对象为中心的差异注意将图像内线索提炼到视觉工作空间中，以及（iii）在该空间内跨对象和图像路由和集成历史感知证据以进行后续推理。我们将 ROVER 集成到 Qwen2.5-VL-7B 中，并开发了一个交错的 SFT-to-GRPO 训练管道。严格遵循原始数据集和评估协议，我们的方法在 MM-GCoT（+4.8% 答案准确率，+14.6% 目标定位准确率）和 VideoEspresso（+8.6% 答案准确率）上实现了最佳性能。经过 VideoEspresso 训练的模型表现出强大的可移植性，在各种基准测试中平均比基本模型高出 4.7%。