LOCI：具有细化循环的定位器批评家

视觉语言模型（VLM）仍然难以完成需要复杂视觉理解的任务。我们认为核心问题不是高级推理，而是未能找到图像中的关键细节。由于这个缺点，VLM 通常会基于有缺陷的感知基础生成看似合理但不正确的推理。为了解决这个问题，我们提出了 Locator-Critic (LOCI)，这是一个 无需训练 框架，它将视觉搜索与证据验证分离。 LOCI 使用 Locator 代理来提出候选视觉证据，并使用单独的 Critic 代理来评估其相关性和充分性。这些代理参与迭代细化循环，逐步改进证据，直到足以回答给定的问题。这种解耦、自我校正的过程带来了显着的性能提升，在多个复杂的视觉基准上实现了最先进的结果。 LOCI 提高了 Qwen3-VL 等开放重量模型（V* 上+12.1，HR-Bench 上+5.8，VisualProbe-Hard 上+11.2）和 Gemini 2.5 Pro 等专有模型（V* 上+8.9，HR-Bench 上+4.3，VisualProbe-Hard 上+4.8）的精度。