CaVe-VLM-CoT は、Sneha Rao ら3名の著者による新しい論文で、2026年6月16日に arXiv に投稿され、人工知能（cs.AI）に分類されている。論文番号は arXiv:2606.18385 である。本研究が扱う中心的な問題は、視覚言語モデル（VLM）が依然として幻覚（ハルシネーション）を起こしやすく、流暢ではあるものの視覚的に忠実でない出力を生成してしまう点にある。既存の思考連鎖（chain-of-thought）手法や検索拡張（retrieval-augmented）手法はこの問題に部分的にしか対処できていない。その理由は、ステップ単位の引用グラウンディングを強制しておらず、また検証の失敗を検索側へ戻して修正する仕組みも持たないからである。
このギャップに対して著者らが提案するのが CaVe-VLM-CoT であり、モジュール化されたリフレクションベースの agentic-RAG フレームワークである。これは5段階の閉ループパイプラインを通じて、証拠に基づく推論を強制する。各段階は Extractor（抽出器）、Retriever（検索器）、Solver（求解器）、Citation Injector（引用注入器）、Verifier（検証器）である。重要な仕組みは閉ループのフィードバックにある。検証器が、ある推論ステップの主張が根拠を欠いている（ungrounded）と検出すると、Extractor に対して構造化されたフィードバックを送り、対象を絞った再検索を引き起こす。これにより、誤った推論は単に指摘されるだけでなく、実際に修正される。
評価に関して著者らは、検索品質、ステップごとの引用忠実性、クロスモーダルなグラウンディングを同時に測定するフレームワークはこれまで存在しないと指摘する。そこで、パイプラインの全段階をカバーする23種類のコンポーネント別指標を提案し、その中核として CaVeScore を据える。CaVeScore は、精度、引用の適合率と再現率、帰属（attribution）、証拠グラウンディングを重み付けして統合した複合指標である。
実験結果として、モデルのアーキテクチャもプロンプトも一切変更しない状態で、CaVe-VLM-CoT は ScienceQA で 87.1% の精度と 56.6% の CaVeScore を達成し、30科目を対象とする MMMU では 55.2% の精度と 35.7% の CaVeScore を記録した。これらの結果は、推論プロセスの外側に検索・引用・検証の閉ループ機構を重ねることで、基盤となる VLM を改変せずとも出力の解釈可能性と証拠整合性を高められることを示す。同時に、より困難な学際的マルチモーダル課題では、証拠に基づく推論にまだ大きな改善余地があることも示唆している。
なお、本稿は arXiv のプレプリント（v1）であり、2026年6月16日 18:28:47 UTC に投稿され、全文は約1,039 KB、DOI は 10.48550/arXiv.2606.18385（DataCite による付与、登録待ち）である。現在は cs.AI の new 分類に置かれており、査読は経ていないため、その指標や結果を引用する際にはこの点に留意する必要がある。