arXiv 2026年10月5日作者提出免训练、推理期的多模态RAG框架CLIMB：先用MMR式目标构建兼顾查询相关性与段落冗余度的紧凑互补证据池，再用R/E/C评论器按相关性、证据特异性与跨模态对齐打分，并由证据接地的置信度估计器仅在置信度上升时接受更新答案，从而提供简单停止准则；在Encyclopedic-VQA与InfoSeek上一致优于检索增强的多模态基线，消融显示互补池、评论器打分与迭代置信控制细化各有贡献。作者提出免训练、推理期的多模态RAG框架CLIMB：先用MMR式目标构建兼顾查询相关性与段落冗余度的紧凑互补证据池，再用R/E/C评论器按相关性、证据特异性与跨模态对齐打分，并由证据接地的置信度估计器仅在置信度上升时接受更新答案，从而提供简单停止准则；在Encyclopedic-VQA与InfoSeek上一致优于检索增强的多模态基线，消融显示互补池、评论器打分与迭代置信控制细化各有贡献。CLIMB以置信度引导的互补证据池改进多模态RAG，在Encyclopedic-VQA与InfoSeek上稳定超越检索增强基线作者提出免训练、推理期的多模态RAG框架CLIMB：先用MMR式目标构建兼顾查询相关性与段落冗余度的紧凑互补证据池，再用R/E/C评论器按相关性、证据特异性与跨模态对齐打分，并由证据接地的置信度估计器仅在置信度上升时接受更新答案，从而提供简单停止准则；在Encyclopedic-VQA与InfoSeek上一致优于检索增强的多模态基线，消融显示互补池、评论器打分与迭代置信控制细化各有贡献。作者提出免训练、推理期的多模态RAG框架CLIMB：先用MMR式目标构建兼顾查询相关性与段落冗余度的紧凑互补证据池，再用R/E/C评论器按相关性、证据特异性与跨模态对齐打分，并由证据接地的置信度估计器仅在置信度上升时接受更新答案，从而提供简单停止准则；在Encyclopedic-VQA与InfoSeek上一致优于检索增强的多模态基线，消融显示互补池、评论器打分与迭代置信控制细化各有贡献。