SAVER：选择性审核口头证据以恢复 VLM 变更推理中的错误

视觉语言模型（VLM）在视觉变化推理方面经常失败，即使它们的视觉编码器包含足够的信息。我们观察到，正确的 VLM 输出往往包含支持所声称的更改的明确的口头证据（对象名称、颜色、空间位置），而错误的输出通常缺乏此类证据。我们提出了 SAVER（错误恢复口头证据的选择性审核），这是一种轻量级的、基于规则的方法，可以解析该证据的 VLM 响应，并仅在证据丢失或不一致时触发结构化重新提示。在三个变更检测基准和四个 VLM 中，SAVER 显着提高了因模型未能阐明其所见内容（表达失败）而导致错误的任务的准确性，在 CLEVR-Change 上的增益高达 +25.8%。证据模式也可以由 LLM 在一次调用中生成，与 CLEVR-Change 上手动调整的门相匹配。消融实验证实，证据门，而不是单独的重新提示，推动了改进。