现在谁主导？面向图表到代码生成的token级模态仲裁

图表到代码生成要求模型读懂图表的细粒度视觉细节，并写出可复现该图表的可执行代码。现有图表到代码方法要么分别训练视觉与编码能力，要么在图表到代码数据上以两种能力纠缠的方式微调，二者都没有顾及两种能力各自的特性以及共同优化时产生的干扰。我们提出MoCA（Mixture of Cross-modal Arbitration，跨模态仲裁混合），将两种能力分离而非混合。MoCA构建于跨模态仲裁块（CAB）之上：CAB维护视觉分支与代码分支两条独立通路，并由一个轻量仲裁器在每一层、每个生成token上仲裁二者的相对贡献。我们分两阶段训练MoCA：先在自蒸馏推理轨迹上做监督热身，将视觉理解分解为显式步骤；随后进行强化学习，奖励同时覆盖推理过程与最终代码。分析显示，仲裁器学到的是结构化而非任意的分配，专家贡献随token、层与实例系统性变化。在三个基准上，MoCA相对通用域模型与图表专用模型都取得了有竞争力的表现。消融结果表明，增益不能仅归因于更大的模型规模，而来自视觉与代码分支互补初始化以及经CAB的输入条件化仲裁的共同贡献。