AI看图不准？「一拉一推」让模型看得全又准｜微软x清华 视觉-语言模型（VLM）的推理能力虽强，但常因“看错”而得出错误答案。问题不在于推理不足，而是模型未能精准聚焦关键视觉证据。现有方法多依赖推理阶段的外部提示，如生成视觉线索或调用工具，但这些方法存在局限：线索形式受限、任务依赖性强且效率低。...