先见后同意：将多代理共识与视觉证据结合起来

视觉语言模型（VLM）在视觉问答（VQA）方面取得了出色的性能。为了减轻个人的幻觉和盲点，通过多智能体协作聚合不同的观点已成为一种有前途的范例。虽然这种方法在文本质量保证方面取得了巨大成功，但其在多模态领域的潜力仍未得到充分开发。现有的多智能体 VQA 方法主要采用以文本为中心的协议，注重文本讨论，而忽略视觉信息的对齐。在这项工作中，我们揭示了一个关键见解：答案级别一致性不足以实现可靠的多智能体 VQA； \textit{对齐的视觉证据}——智能体所依赖的图像区域的共享支持——对于达成值得信赖的共识至关重要。为了利用这一见解，我们提出了 EAGLE (\textbf{E}vidence-\textbf{A}ligned \textbf{G}rounded mu\textbf{L}ti-agent r\textbf{E}asoning)，这是一个用于协调多个 VLM 代理的 无需训练 以证据为中心的框架。 EAGLE 明确地将每个智能体的定位区域公开为视觉证据，实现证据的相互验证，并使用证据一致性来指导最终决策。对六个 VQA 基准的实验表明，EAGLE 在跨领域实现了最佳平均性能，同时保持轻量级、可解释性和部署实用性。