CaVe-VLM-CoT 是由 Sneha Rao 等三位作者完成的一篇新论文，于 2026 年 6 月 16 日提交至 arXiv，归类为人工智能（cs.AI），编号 arXiv:2606.18385。该研究的核心问题在于：视觉语言模型（VLM）至今仍容易产生幻觉，输出虽然语言流畅，却在视觉上缺乏忠实性。现有的思维链（chain-of-thought）方法和检索增强方法只能部分缓解这一问题，因为它们既没有强制实现步骤级的引用落地（step-level citation grounding），也没有在验证失败时把错误反馈回检索环节进行修正。
针对这一缺口，作者提出了 CaVe-VLM-CoT，一个模块化的、基于反思的 agentic-RAG 框架。它通过一个五阶段闭环流水线来强制实现有证据支撑的推理，这五个阶段分别是：Extractor（抽取器）、Retriever（检索器）、Solver（求解器）、Citation Injector（引用注入器）和 Verifier（验证器）。其关键机制在于闭环反馈：当验证器检测到某一步推理中的主张缺乏依据（ungrounded claim）时，会向 Extractor 发送结构化反馈，触发有针对性的重新检索，从而让错误的推理得到纠正，而不仅仅是被标记出来。
在评估方面，作者指出目前尚不存在能够同时衡量检索质量、逐步引用忠实度和跨模态 grounding 的框架。为此，他们提出了一套覆盖所有流水线阶段的 23 项组件级指标，并以 CaVeScore 作为核心综合指标。CaVeScore 对准确率、引用精确率与召回率、归因（attribution）以及证据 grounding 进行加权，从而给出一个复合评分。
实验结果显示，在完全不修改模型架构、也不修改提示词的情况下，CaVe-VLM-CoT 在 ScienceQA 上达到 87.1% 的准确率和 56.6% 的 CaVeScore；在覆盖 30 个学科的 MMMU 基准上，则取得 55.2% 的准确率和 35.7% 的 CaVeScore。这些结果说明，通过在推理流程外部叠加检索、引用和验证的闭环机制，可以在不改动底层 VLM 的前提下提升输出的可解释性与证据一致性，同时也表明在更困难的跨学科多模态任务上，证据 grounded 推理仍有较大的提升空间。
需要注意的是，本文为 arXiv 预印本（v1），于 2026 年 6 月 16 日 18:28:47 UTC 提交，全文约 1,039 KB，DOI 为 10.48550/arXiv.2606.18385（由 DataCite 发放，尚待注册）。论文当前处于 cs.AI 的 new 分类下，尚未经过同行评审，读者在引用其指标与结果时应留意这一状态。