VQS 用程序从图像结构化记录中算出答案，把自进化视觉语言模型的伪标签错误率从 24% 降到 6%

VQS 把自进化问答的答案来源从模型输出改为程序计算：解析器把照片、图表、图示和信息图转成结构化记录，固定模板遍历记录生成问题并算出答案，模型只作为检查器逐条确认程序读取的原子事实。 此前自进化方法（VisPlay、R-Zero、EvoLMM、iReasoner、Vision-Zero、VISE）在无金标准答案时依赖多数投票、推理步骤一致、图像变换一致性或模型裁判等代理标签；VQS 改为在受约束解码保证格式合法的解析结果上运行确定性程序。 论文在 500 道共享问题上做人工评估，VQS 答案正确率 94.4%，多数投票 76.4%，模型裁判 82.2%；VQS 保留 76% 的问题，多数投票保留 92.0%，模型裁判保留 90.8%。

逐条声明级核验同时被用来无标签地挑选解析器的训练目标，使解析器本身变准。 论文比较了随机解析、整体一次性通过检查的解析、以及被核验声明比例最高的解析三种选择规则，并用手工标注衡量解析精度与答案准确率。 在 150 个样本上，逐声明核验把解析精度从整体核验的 85.0 提到 87.6，答案准确率从 94.0 提到 96.1；对 GQA 场景图、ChartQA 表格、AI2D-RST 图示标注的 F1 分别提升 5.0、6.6、7.4 分。

在十个基准、三个模型规模上，VQS 的平均增益都超过所比较的自进化基线，且增益随训练轮次继续增长。 论文报告 VQS 在 2B、4B、8B 上分别比基座提升 3.18、2.32、2.43 分，而最强基线 VISE 为 1.01、1.04、0.66 分；三轮训练后 2B 的增益从 3.18 升到 3.84 分。 结果来自 lmms-eval 在 GQA、OK-VQA、InfoVQA、ScienceQA、MMMU、MMBench、EmbSpatial、LogicVista、MMStar、SEEDBench 十个基准上的评测，训练数据只用无标注图像，不使用人工标注。

消融显示各组件贡献不同：去掉解析器训练影响最大，其次是事实检查器，其余组件各值 0.3 到 0.6 分。 论文逐一移除受约束解码、事实检查器、盲门控和难度带，并比较模板族难度、生成器类型、课程顺序与难度带刷新策略。 2B 上完整流程求解器准确率 62.4、解析精度 87.6；去掉解析器训练降到 58.0 与 80.8，去掉事实检查器降到 60.9；中等难度模板族最好（62.4），按族内跳数排序优于打乱（62.4 对 61.3）。

该框架面向照片、图表、图示与信息图四类图像域，依赖每个域预先固定的解析模式与一次性手写、不再训练的模板库；训练只需无标注图像，因此适用于缺少人工标注但图像可被结构化解析的场景。论文报告在 Qwen3-VL 的 2B、4B、8B 上均提升全部十个基准，并在 Gemma3-12B、InternVL3-8B、Llama-3.2-11B-Vision 上同样提升全部基准，说明方法不绑定单一模型族。三轮训练在同一批无标注图像上继续生成新问答对，增益仍在上升，提示可继续扩展轮次与模板族数量。

解析错误仍会直接变成错误答案，论文也指出图示箭头与图表数值是检查器最需要改进的声明类型；检查器与解析器共享同一组权重，附录用五个不同模型审计 1,417 条声明，其中 247 条为陷阱，本模型检查器拒绝了 244 条，但作者把其他检查器的否决视为警示而非真实错误率。改写环节未被检查器或盲门控覆盖，论文在 437 道题上人工核对，8B 的四个错误都发生在是/否比较中交换了两个年份。增益随模型规模缩小，从 2B 的 3.18 分降到 8B 的 2.43 分，且基准答案改变比例也从 2B 降到 8B。这些是范围与开放问题，而非对工作的否定。