**诊断参考鸿沟：视觉支架在多模态推理中的局限与潜力**

_Diagnosing the Reference Gap: What Visual Scaffolds Can and Cannot Fix in Multimodal Reasoning_

> 研究指出多模态大模型虽能识别视觉内容，却在跨步骤推理中因无法将语言与特定视觉实体绑定而出现“参考鸿沟”。通过引入 ReGap-Bench 基准测试，研究发现匹配的任务参考（如编号）可将准确率提升高达 25%，而错配参考则无效甚至有害，证实构建任务适配的视觉参考是无需训练即可提升多模态推理能力的有效手段。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-11-03 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.39419)