让AI学会"找证据"：当看一眼不够用的时候

你有没有试过玩那种"大家来找茬"的游戏？两张几乎一样的图,盯着看半天找不出区别,最后发现差异藏在一个很小的角落里,一个颜色稍微深了一点,一个物体多了半截。

这种时候,你会怎么做？大概率不是死死盯着原图不动,而是来回扫视,放大细节,甚至拿手指头在屏幕上比对。

现在想象让一个AI模型做同样的事。市面上大多数做"视觉感知"的AI,比如那些帮你框出图里物体、分割出轮廓、数清楚有几个人的模型,工作方式其实特别死板:看一眼图,直接给答案。它们假设图片里的信息和自己脑子里存的知识加起来就够用了。

但现实世界可不会这么配合。

一张高清照片里,目标可能只占整张图不到0.1%的面积,肉眼一瞥根本发现不了。一张合照里站着好几个人,你问AI"找出那位2003到2008年当过某生物研究所所长的人",AI压根不知道这人是谁,除非它能像人一样去查资料。这篇来自香港中文大学MMLab团队(联合复旦大学)的论文,把这类情况起了个名字,叫做证据不足的感知。

一句话先说清楚论文想干什么,他们重新定义了"感知"这件事:它不该是看一眼就下结论的"一次性预测",而应该是一个主动找证据的过程。为此他们造了专门的数据集和基准测试,还训练出一个叫EviRover的智能体,让一个只有4B参数的小模型,在这类任务上表现追平了顶级商业大模型。

接下来我们一步步看他们怎么做到的。

为什么"看一眼"不够用了

先说说这件事到底难在哪。

传统的视觉感知任务,比如目标定位、图像分割、物体计数,长期以来都遵循一个套路:给模型一张图和一句话描述,模型直接吐出一个框、一个掩码,或者一个数字。这个套路背后藏着一个没说出口的假设,图里的信息加上模型本身学过的知识,已经足够回答问题了。

这个假设在很多场景下是对的,但在两类情况下会彻底失效。

第一类是证据其实在图里,但看一眼根本看不清。论文里举的例子特别直观:一张高分辨率图片里,要找的目标占比不到0.1%,相当于在一张A4纸上找一粒芝麻。再比如经典的"大家来找茬"游戏,或者"在一堆猫头鹰里找一只小猫"的找图游戏,这些场景需要反复扫描、比对、放大才能找到答案,而不是扫一眼就能确定。

第二类更隐蔽,证据根本不在图片里,得去外部世界找。论文给了一个相当刁钻的例子:"找出1986年由谈家桢创办的生物学研究所,2003到2008年担任所长的人,这个研究所拥有基因工程国家重点实验室,这个人后来在2025年8月合著过一篇关于东亚新石器时代农业人口的研究"。这一连串线索,没有一个是图片里能看出来的,全靠查资料一步步缩小范围,最后锁定到具体是照片里哪个人。

这两类场景放在一起,构成了论文的核心问题:当前AI感知模型普遍只会"看",不会"查"。

模型能看能查,听起来是不是跟做阅读理解差不多?但这里有个关键差异值得多说一句。做问答任务时,AI找到证据后,只需要把证据转换成一段文字回答就行了。但感知任务不一样,AI找到证据之后,还得把这个证据精确对应到图片上的一个位置、一条边界,或者一个数字。这个转换过程对视觉理解能力的要求高得多,而且结果是可以用坐标和标注直接验证对错的,容不得半点含糊。

这就好比你问朋友"隔壁办公室那个经常穿蓝衬衫的人叫什么",他答出名字就算完成任务了。但如果你让他"在这张合照里,用手指精确点出那个人站的位置",难度完全不是一个量级,因为他不仅要知道答案,还得把答案落实到具体的空间坐标上。如果没有这层对应要求,AI随便蒙一个大概的区域,反而更容易蒙对,这个任务对精度的苛刻程度,恰恰逼着AI必须真的找到并理解正确的证据,而不是碰运气。

那在EviRover出现之前,有没有人尝试过让AI查资料辅助感知？有,但做法都挺"死"的。有些工作靠人工设计的提示词流程,在推理阶段临时加个网络搜索步骤,但这套搜索逻辑是人提前写死的规则,不是AI自己学出来的行为。还有工作专门针对图像分割任务接入了网络搜索,但假设缺失的证据永远是外部知识,完全没考虑"证据就在图里,只是看得不够细"这种情况。

研究团队的思路是,让AI自己学会判断,一道题到底缺的是哪种证据,是该放大镜看图,还是该上网查资料,这个决策本身应该是智能体通过训练学会的,而不是靠人设定好的固定流程。

数据从哪来:两条造数据的流水线

问题想清楚了,下一个难题立刻冒出来,市面上压根没有现成的数据能用来训练这种"会找证据"的AI。

传统的感知数据集,图里的信息足够回答问题,没有"证据缺失"这个概念。于是研究团队自己动手,设计了两条数据生产流水线,专门针对两类缺失证据的情况。

第一条流水线,针对图里有证据但看不清的情况。

他们收集高分辨率图片,里面藏着特别小的目标,有些目标占图片面积不到0.1%。同时还收集了需要多步视觉探索的场景,比如"大家来找茬"类型的双图对比,还有"在一堆相似物体里找出特殊的那个"的找图游戏。这些图片部分来自已有的视觉搜索数据集,部分通过图片搜索从网上采集。

多模态大语言模型*:简单理解就是能同时处理图像和文字的AI大模型,它既能看图又能理解和生成文字,这类模型是现在做视觉AI任务的主流底座。

第二条流水线更有意思,针对证据根本不在图里的情况,也就是需要查外部知识才能确定目标身份的场景。

团队设计了两套互补的方法来生产这类数据。

第一套方法是从真实合照出发,反向验证身份。他们先手写了85个事件类别种子清单,涵盖颁奖典礼、音乐团体、电竞比赛、政治峰会、产品发布会、学术会议、体育比赛、娱乐节目等各种场景,然后用AI模型把每个类别扩展成具体的搜索关键词,拿这些关键词去图片搜索引擎抓取合照和配文。但配文这东西靠不住,大部分图片根本没配文,有配文的也常常不全或不准,所以团队又用配备了网络搜索工具的另一个大模型,独立核实照片里每个人的身份。

第二套方法反过来,从一张已知身份的参考照片出发,合成一张包含这个人的合照。这么做的原因很实际:单人照片里能验证身份的素材,远比能验证每一个人身份的合照多得多,这样能覆盖的身份范围也就更广。团队在这里踩过一个坑,他们一开始想同时用多张参考照片控制生成,结果发现对真实人物来说,参考人数一旦超过大约三个,生成图里的人脸就越来越认不出来了,靠反向图片搜索根本匹配不回原型,人工检查也证实了这个问题。但动漫角色不一样,因为动漫角色靠发型、服装这些显著的视觉特征定义身份,即使同时参考多个角色,生成效果依然稳定。所以团队最终的做法是,生成真实人物合照时只用一张参考图锚定一个人的身份,其余人物随意生成,而生成动漫合照时则可以同时用多张角色参考图。生成图片用了GPT-Image-2,再用另一个模型做质量和身份一致性的筛选。

这个处理方式本身也值得琢磨一下。如果不区分真实人物和动漫角色,用统一的标准处理,会发生什么?大概率是真实人物那部分数据质量全面崩塌,因为AI生成多人脸孔时本来就容易"串脸",参考源越多越容易乱。而动漫角色的视觉特征本来就是靠几个固定元素撑起来的,反而经得起多重叠加。这就跟拼乐高积木有点像,积木的接口是标准化的,多拼几块不会影响整体结构,但如果你想把几张不同的手绘草图硬拼成一张,线条和细节很容易互相干扰变得面目模糊。真实人脸的细节丰富度就像手绘草图,动漫角色的符号化特征就像乐高接口,这个区别决定了同一套合成方法不能对两者一视同仁。

有了这些带身份标注的照片,接下来就是构造问题。这里团队用了一个很巧妙的设计,叫做多跳查询构造。

最开始,问题是直接点名的,比如"找出XX人的位置"。但如果AI认识这个人,它根本不需要去查任何资料就能直接作答,这样就没法训练它"主动找证据"的能力了。于是团队设计了一套迭代替换机制:每一步选中问题里的一个实体,通过搜索引擎查到这个实体的公开资料,再让另一个AI模型把这个实体替换成一个间接描述,让描述能唯一指向这个人,但不直接说出名字。这个替换过程最多能迭代20轮,直到某个基准模型(没有工具加持的情况下)已经答不出来为止。

举个例子感受一下这个链条有多长:"找到某人",一跳之后变成"找到某部电影的主演",两跳之后变成"找到获得某个奖项的电影的主演"。链条每长一跳,AI就必须多走一步搜索才能锁定答案,证据链条拉得越长,智能体就越没法靠"蒙"过关。

论文里有个数据分布很有意思:动漫角色的问题平均只需要0到1跳就能让基准模型答不出来,而真人问题经常需要跳到十几甚至二十跳。这背后的原因并不复杂,动漫角色的信息在互联网上就是比较分散、不系统,随便加一层间接描述就能把AI绕晕,而真人的公开资料太全了,得层层剥洋葱才能把直接身份信息完全剥干净。

这两条流水线最终产出了两个训练集,EviRover-SFT-5K用于监督微调,EviRover-RL-12K用于强化学习,此外还构造出了一个人工核验过的基准测试集,叫EviLens,一共688条数据,覆盖定位、识别、找茬、分割、计数五大类任务。

EviLens:给AI出一张"必须查资料才能答对"的考卷

光有训练数据还不够,得有个靠谱的考卷来检验AI到底学得怎么样。EviLens就是这张考卷。

它一共包含140条定位题、182条识别题、15条找茬题(共79处标注差异)、195条分割题、156条计数题。每一条都经过人工核验,确保答案准确。

这张考卷的设计思路很克制,它不是单纯堆难题,而是精确对应"证据缺失"的几种类型。定位类题目,目标是明确点名的,但因为太小或者太隐蔽而难找。识别类题目,目标在图里很显眼,但描述是间接的,必须靠外部信息才能确认身份。找茬类题目,差异相对于另一张图而存在,必须做跨图比对才能发现。分割和计数任务和识别任题一样需要外部知识,只是最终输出形式不同,一个要掩码,一个要数字。

评测指标上,定位和识别类用平均框IoU和R@0.5来衡量。

IoU*:全称是交并比,简单说就是预测的框和真实的框重叠程度有多高,重叠得越多数值越接近1,完全不重叠就是0。

分割任务用gIoU和cIoU两个指标,计数任务直接看回答是不是精确匹配,找茬任务用micro-F1和macro-F1衡量匹配准度。

论文还专门拉了一张对照表,把EviLens和市面上已有的感知基准测试放在一起比,结果是,现有基准测试里,大多只覆盖单一能力。有的只测视觉获取能力(比如要不要放大看细节),有的只测跨图对比,有的只测外部知识,很少有基准同时要求三种能力齐聚一堂。EviLens是目前唯一一个把三类能力全部打包进去的测试集。

这个全面性恰恰揣着研究团队想传达的一个判断,现实世界里的感知难题从来不是单一类型的,一张图可能同时需要你放大看细节,又需要你去查身份。只测一种能力的基准,测出来的结果容易让人产生虚假的安全感。

EviRover:怎么训练一个会"查证据"的AI

弄清楚问题,备好数据和考卷,接下来就是真正的重头戏,怎么训练出EviRover这个模型。

研究团队给EviRover配了一套工具箱,一共十种工具,贯穿训练和评测的全过程。这些工具大致分三类。

第一类用来获取外部证据,包括文本搜索、以文搜图、以图搜图、浏览网页。第二类用来做细粒度视觉检查,比如把某个区域裁剪放大仔细看,或者把候选答案框在原图上渲染出来做人工确认式的核验。第三类是针对具体任务的专用工具,比如调用SAM3生成掩码、针对找茬任务做左右区域并排比对、还有一个Python解释器用来做精确坐标计算。

SAM3*:一种图像分割模型,可以根据给定的框或点提示,精确抠出图里某个物体的轮廓范围,生成一个"掩码"。

训练分两个阶段。第一阶段是监督微调,用EviRover-SFT-5K数据集教会模型基本的工具使用格式和交互礁式。微调时的训练数据有个值得注意的细节:训练轨迹是用更强的模型(比如Gemini-3.0-Pro和Seed-2.0-Pro)先跑出来的示范,只保留那些逻辑自洽并且最终答对的轨迹。但光是答对还不够,因为有些题目强模型"一眼就认出来"了,根本没经历什么找证据的过程,如果照单全收,小模型学到的可能是"大胆猜"而不是"认真查"。所以团队对这类过于直接的轨迹做了下采样,只保留一部分,让小模型既学会该直接作答时直接作答,也学会该查资料时主动去查。

这个下采样的设计思路有点像教小孩写作文。如果你给孩子看的范文全是"下笔如有神"的天才型写法,孩子很可能学到的是跳过构思直接硬写,而不是真正学会审题、列大纲、再动笔的完整过程。只有把那些"显然不需要构思"的范文适当筛掉一些,留下更多展示完整思考过程的范文,孩子才能学到方法论本身,而不只是结果的模仿。

第二阶段是强化学习,用EviRover-RL-12K继续优化模型。这一步比较讲究技巧,因为训练数据里混杂着定位、分割、计数、找茬四种性质完全不同的任务,它们的奖励分布天差地别。打个比方,计数任务的奖励是0或1这种二元结果,而IoU类的奖励是0到1之间的连续值,如果不做特殊处理,不同任务的奖励信号会互相干扰,导致训练不稳定。

团队采用了EMA-GRPO方法来解决这个问题,通过维护每个任务类型各自的滑动平均奖励统计量,把不同任务的学习信号都归一化到同一个量级上,再统一拿去更新模型。

EMA-GRPO*:一种强化学习训练技巧,通过给每类任务单独维护一份滑动平均统计量,解决多任务混合训练时奖励尺度不一致的问题。

GRPO*:一种强化学习算法,通过比较同一批采样结果之间的相对好坏来计算优势值,从而指导模型往更优方向更新。

每种任务具体用什么奖励函数,论文里也写得很细。定位任务用预测框和真实框的IoU当奖励。分割任务,是用预测框和点提示去调SAM3生成掩码,再拿这个掩码跟真实掩码算IoU。计数任务就是简单看预测数字对不对。找茬任务稍微复杂一点,因为一次预测可能只找出了部分差异,所以团队设计了一个软性的集合级奖励,把预测框和标注差异按IoU从高到低排序,贪心地做一对一匹配,匹配上的每一对再按IoU的平方来加权算分。

这个加权设计有个很实际的考量。如果不加这层平方权重,随便给出一个IoU只有0.1的粗糙框,和给出一个IoU达到0.9的精准框,得到的"算对了一次"的奖励会一样多,这就等于在鼓励AI滥竿充数,多扔几个粗糙框去碰运气。而加上平方权重之后,IoU0.15和IoU0.9分别只贡献0.0225和0.81的分数,差距一下拉开了二十多倍,这样AI就没有动机靠乱猜数量来蒙混过关,只有真正精准的预测才划算。

这就像考试里的部分给分规则。如果老师规定"写出大概意思就给满分",学生就会倾向于写一堆模糊的套话来凑数。但如果老师说"写得越精确给分越高,写错方向反而扣分",学生自然会把精力花在真正想清楚答案上,而不是靠数量糊弄。

另外训练中还有个细节,如果SAM3因为某些原因没能生成有效掩码,团队不会直接把奖励记成0。原因是在GRPO这种群组内比较相对优劣的训练机制下,一个0分会拉低整组的平均水平,进而误伤同组里本来表现正常的其他样本,这个零分其实是工具故障导致的,跟预测质量本身没关系。所以团队的做法是,把预测框当成一个矩形掩码来算IoU,作为一个保守的兜底分数,这样既不会误伤同组样本,又能保留排序上的合理性。

这个设计还牵出了另一个更技术性但同样关键的决策,就是如何汇总一批训练轨迹的损失。论文专门用了一整段数学推导来说明,为什么他们选择"先对每条轨迹内部的token求平均,再对不同轨迹求平均"这种方式(简称序列均值),而不是直接把所有轨迹的所有token混在一起求平均(简称token均值)。

这个区别听起来挺技术流,但背后的道理用生活化的话讲很简单。想象一个班级要算期末考试的平均分,如果某几个学生因为考试超时写了特别多字,老师就按"每个字给多少分"来折算总分,那些写字多的学生的发挥情况就会不成比例地主导整个班级的平均分,哪怕他们写的内容质量并不特别出众。token均值的问题正是如此,智能体在完成任务过程中,查资料次数越多、工具调用次数越多,它生成的token就越多,如果简单按token数量加权,那些偏偏跑了很长轨迹的样本(可能是反复试错、重复查询导致的),会在训练更新里占据不成比例的话语权,这跟轨迹本身质量没有必然关系。序列均值的做法相当于"先给每个学生按自己的答题情况算一个平均分,再把全班学生的平均分再平均一次",这样写得长不等于分量重,公平地反映了每条轨迹本身的质量,而不是被字数绑架。

实验结果:30分的提升是怎么来的

说了这么多设计思路,到底效果怎么样?

论文在EviLens上测试了一大批模型,包括闭源的商业模型(GPT-5.6系列、Seed系列、Gemini-3.5-Flash、Qwen3.7-Plus)、开源的专用分割模型、开源的专用定位模型,还有开源的通用多模态模型。

结果相当扎眼,这张考卷对所有模型家族都挺难的。闭源模型里表现最好的是Gemini-3.5-Flash、Seed-2.1-Turbo和GPT-5.6-Sol,但开源的专用模型表现惨不忍睹,分割专用模型最高也只到0.343的gIoU,定位专用模型在这类任务上的IoU几乎趋近于0。

这个结果本身就说明了一个问题,EviLens的难点压根不在于模型"看得准不准",而在于模型"能不能主动找到缺失的证据"。这项能力在传统感知基准里根本测不出来,因为传统基准假定证据已经摆在眼前了。

EviRover作为一个只有4B参数的小模型,在这张考卷上的成绩相当亮眼,定位和识别类任务上拿到了所有被测模型里的最佳成绩,定位任务的IoU达到0.444,比排名第二的Gemini-3.5-Flash(0.373)高出一截。分割任务上排名第二,仅次于Seed-2.1-Turbo。计数和找茬任务上,相对于自己的基础模型(没训练前的Qwen3VL-4B-Instruct)分数几乎是从接近0直接跃升到和主流商业模型同等的水平。

拿基础模型和EviRover对比,各项主要指标平均提升了30.2个百分点。这个数字放在模型评测里是相当惊人的跃升,相当于一个原本及格线都够不到的学生,经过训练后直接冲进了班级前几名。

| 模型 | 定位IoU | 识别IoU | 分割gIoU | 计数准确率 |

| GPT-5.6-Sol | 0.358 | 0.615 | 0.627 | 51.3 |

| Seed-2.1-Turbo | 0.331 | 0.636 | **0.779** | 60.5 |

| Gemini-3.5-Flash | 0.373 | 0.636 | 0.579 | **61.8** |

| Qwen3VL-4B-Inst(基础模型) | 0.276 | 0.265 | 0.203 | 19.2 |

| **EviRover(本文)** | **0.444** | 0.648 | 0.686 | 50.0 |

除了EviLens,论文还在WebEyes这个专门测试基于搜索的定位、分割和问答能力的基准上做了验证,EviRover在定位任务上甚至超过了所有参评模型,包括商业系统,拿到40.0的IoU和48.5的R@0.5。分割任务上也比同类的提示词工作流方案Pixel-Searcher-8B高出10.4个gIoU百分点。

研究团队还检验了一件很重要的事:这套训练方式会不会"用力过猛",反而让模型在常规感知任务上变差?他们在ReasonSeg和RefCOCOg这两个传统感知基准上做了测试,结果是EviRover在所有分割和定位的子项上都比基础模型表现更好,甚至超过了一些专门针对这类任务优化的模型。

更有意思的是泛化能力的测试。EviRover在MMMU、MMMU-Pro这类多学科推理基准,以及MathVerse数学推理基准上都有提升,幅度在1到4个百分点左右。但真正的大跳跃出现在BrowseComp-VL这个测试智能体视觉搜索能力的基准上,基础模型的准确率只有9.5,EviRover直接冲到24.8,翻了一倍还多。

这个泛化结果很值得琢磨。一个专门针对"图像感知任务"训练出来的能力,居然能迁移到"文字问答式的网络搜索任务"上去,这说明论文训练出来的其实不只是一项具体技能,而是一种更底层的行为模式,判断自己缺什么信息,然后主动去找。这种元能力一旦学会,换一个任务场景照样管用。

这跟学骑自行车有点类似。学骑车的时候练的是平衡感和协调性,但这种能力一旦掌握,滑雪、滑板甚至开摩托车都能更快上手,因为底层练的不是"骑自行车"这个具体动作,而是身体对平衡的感知和调节机制。EviRover练的也不是"怎么回答关于合照的问题",而是"怎么判断自己缺什么证据,然后主动去补齐",这种判断能力换个场景照样有用。

这篇论文沿着什么方向往下走

这篇论文发表在2026年9月,放在当下这个多模态智能体快速发展的节奏里看,它补上了一块一直被忽略的拼图。此前的智能体研究,大多把"查资料"这件事服务于文字问答,很少有人把感知任务本身当作查证据的终点。

论文里提到的另外两项相关工作值得单独说一说,因为它们代表了在EviRover之前,这个方向已经有人在摸索,只是路走得没那么远。一项工作尝试把网络搜索接入感知流程,但靠的是人工设计的提示词策略,搜索行为是写死的规则而不是学出来的。另一项工作训练了一个能交替进行推理和网络搜索的智能体,但局限在图像分割这一个任务上,并且假设缺失的证据永远来自外部知识,没有考虑"证据就在图里但看不清"这种情况。

EviRover相比这两项前期工作,把范围扩展到了定位、分割、计数、找茬四类任务,并且让模型自己学会判断缺失的到底是哪种证据,这个判断本身是训练出来的能力,而不是预设的规则。

写在后面

读完这篇论文,我反复琢磨的一个点是,EviRover这类工作其实在悄悄改写"AI懂不懂"这个问题的定义。

过去我们评价一个视觉AI模型强不强,习惯性地看它"认得出多少东西"。但这篇论文给出的视角不太一样,它暗示真正重要的能力,是模型知道自己什么时候不认得,并且愿意主动想办法去弄明白。这种"知道自己不知道"的自我认知能力,在人类教育里被反复强调,但在AI训练里长期被忽视,因为模型的训练目标往往是把答案答对,而不是把"获取答案的过程"本身训练好。

另一个让我有点意外的细节是动漫角色和真人角色在数据构造上的差异处理。研究团队发现合成多个真人同框时身份会"串脸",但动漫角色反而经得起多角色同时合成。这个发现背后其实藏着一个挺有意思的事实,真实世界的人脸信息密度远高于动漫角色的符号化设计,这意味着AI生成模型目前处理"高信息密度多主体场景"的能力,还是明显弱于处理"低信息密度多主体场景"的能力。这个工程上的权宜之计,其实折射出当前生成模型一个还没被充分讨论的能力边界。

还有一点值得多想一层。论文里那个20跳的多跳查询构造方法,本质上是在给AI的知识边界画一条清晰的刻度线,一个问题需要几跳才能把某个大模型问住,其实就是在精确测量这个大模型的知识盲区到底在哪。这个思路如果反过来用,是不是也能变成一种评估大模型"知识密度"的新方式?一个模型平均需要被问几跳才答不上来,或许比传统的知识问答准确率,更能反映出模型对世界的理解到底有多深。

这篇论文留下的开放问题也不少。比如当证据既藏在图里又需要外部知识时,模型该怎么安排查找的先后顺序?又比如,当查到的外部信息本身是错的或者过时的,模型有没有能力去质疑和纠偏?这些问题论文里没有展开,但顺着EviRover这条路往下走,大概迟早会撞上。

Q&A

Q1：EviRover是什么？

A：EviRover是香港中文大学团队提出的一个感知智能体,它能主动判断一道视觉问题缺少哪种证据,再通过裁剪放大、网络搜索等工具主动获取证据,最后给出位置、轮廓或数量等感知结果,而不是只靠看一眼图片直接作答。

Q2：EviLens基准测试主要测试什么能力？

A：EviLens是一个包含688条数据的人工核验基准,涵盖定位、识别、找茬、分割、计数五类任务,专门考察AI模型在证据不足的情况下,能否通过视觉细查或外部知识搜索来准确完成感知任务,区别于传统只测单一能力的基准。

Q3：EviRover相比基础模型提升了多少？

A：EviRover基于4B参数的Qwen3VL模型训练,在EviLens上的平均提升达到30个百分点,表现接近Seed-2.1-Turbo、Gemini-3.5-Flash等顶级商业模型,在WebEyes、BrowseComp-VL等基准上也有显著提升,其中BrowseComp-VL准确率从9.5提升到24.8。