🤖 AI

CAVE: A Structured Credit Assignment Approach for Fragmented Visual Evidence Reasoning

यह शोध पत्र CAVE को प्रस्तुत करता है, जो एक संरचित प्रक्रिया-पुरस्कार (process-reward) विधि है जो GRPO और TRACER-Bench का लाभ उठाकर विजन-लैंग्वेज मॉडल्स की खंडित, गैर-स्थानीय दृश्य साक्ष्यों को एकीकृत करने की क्षमता को बढ़ाती है, जो मध्यवर्ती तर्क चरणों पर क्रेडिट असाइनमेंट के माध्यम से जटिल दृश्य तर्क कार्यों पर प्रदर्शन में उल्लेखनीय सुधार करती है।

मूल लेखक: Tengda Guo, Jie Leng, Hanlei Li, Yaoyuan Liang, Qingyue Zhang, Dian Yang, Mingyu Zhang, Yuhua Fu, Shao-Lun Huang

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tengda Guo, Jie Leng, Hanlei Li, Yaoyuan Liang, Qingyue Zhang, Dian Yang, Mingyu Zhang, Yuhua Fu, Shao-Lun Huang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जटिल पहेली को हल करने की कोशिश कर रहे हैं, लेकिन उसके टुकड़े एक विशाल कमरे में बिखरे हुए हैं, और उनमें से कुछ लगभग एक जैसे दिखते हैं। आप पूरे कमरे पर एक नज़र डालकर अंदाज़ा नहीं लगा सकते; आपको विशिष्ट स्थानों पर जाना होगा, एक टुकड़ा उठाना होगा, उसका बारीकी से परीक्षण करना होगा, और फिर यह याद रखना होगा कि वह उस टुकड़े के साथ कैसे फिट बैठता है जिसे आपने पाँच मिनट पहले देखा था।

यह वही समस्या है जिसे शोध पत्र "CAVE" हल करता है। यह AI के लिए एक विशिष्ट प्रकार की कठिनाई पर केंद्रित है जिसे फ्रैगमेंटेड विज़ुअल रीजनिंग (Fragmented Visual Reasoning) कहा जाता है।

यहाँ सरल उपमाओं का उपयोग करके इस शोध पत्र के विचारों का विवरण दिया गया है:

1. समस्या: "टनल विज़न" वाला AI

वर्तमान AI मॉडल (जिन्हें विज़न-लैंग्वेज मॉडल्स कहा जाता है) सामान्य कार्यों के लिए बहुत अच्छे हैं, जैसे कि बिल्ली की तस्वीर का वर्णन करना। लेकिन जब वे ऐसे कार्य का सामना करते हैं जहाँ उत्तर के लिए किसी छवि के दो दूरस्थ और भ्रमित करने वाले हिस्सों को जोड़ना आवश्यक हो, तो वे अक्सर विफल हो जाते हैं।

उपमा: कल्पना कीजिए कि एक जासूस अपराध को सुलझाने की कोशिश कर रहा है। एक मानक AI जासूस पूरे अपराध स्थल को देखकर कह सकता है, "यह एक चोरी जैसा लग रहा है," जो सामान्य आभा (vibes) पर आधारित है। लेकिन यदि असली सुराग कमरे के कोने में घड़ी पर लगा एक छोटा, विशिष्ट खरोंच है जो हॉल के दूसरी ओर लगे दरवाजे पर उंगलियों के निशान से जुड़ता है, तो AI इसे मिस कर देता है। उसे "टनल विज़न" (सीमित दृष्टि) हो जाता है और वह वास्तविक साक्ष्य के बजाय अपने अनुमानों पर निर्भर हो जाता है।
शोध पत्र का शब्द: इसे फ्रैगमेंटेड विज़ुअल रीजनिंग कहा जाता है। साक्ष्य "फ्रैगमेंटेड" (बिखरे हुए) और "कमजोर" (पृष्ठभूमि के शोर से अलग पहचानना कठिन) होते हैं।

2. समाधान: "CAVE" विधि

लेखक एक नई प्रशिक्षण विधि प्रस्तावित करते हैं जिसे CAVE (क्रेडिट असाइनमेंट फॉर विज़ुअल एविडेंस) कहा जाता है। केवल AI को यह बताने के बजाय कि, "तुमने अंतिम उत्तर गलत दिया," CAVE एक सख्त लेकिन सहायक कोच की तरह काम करता है जो AI द्वारा उठाए गए हर एक कदम पर नज़र रखता है।

कोच AI को जांच के दौरान तीन विशिष्ट चीजें सही ढंग से करने के लिए "पॉइंट्स" (क्रेडिट) देता है:

बलीफ अपडेट (The "Aha!" Moment - विश्वास अपडेट):
- उपमा: हर बार जब AI किसी नए सुराग को देखता है, तो उसे अपने सिद्धांत को अपडेट करना चाहिए। यदि वह एक लाल कार देखता है, तो उसे केवल "कार" नहीं कहना चाहिए; उसे अपने विचार को अपडेट करना चाहिए कि "यह एक लाल कार है, जो संदिग्ध के लाल कपड़े पहनने की संभावना को बढ़ाता है।"
- CAVE की भूमिका: यह AI को हर कदम के बाद अपने आंतरिक "सिद्धांत" को सत्य के करीब लाने के लिए पुरस्कृत करता है, न कि केवल अंत में।
एविडेंस एक्विजिशन (Finding the Clue - साक्ष्य प्राप्ति):
- उपमा: कल्पना कीजिए कि AI एक खजाना खोजने वाला है। यदि वह गलत जगह खुदाई करता है, तो उसे कोई अंक नहीं मिलते। यदि वह सही जगह खुदाई करता है और एक सोने का सिक्का (एक महत्वपूर्ण दृश्य विवरण) पाता है, तो उसे भारी बोनस मिलता है।
- CAVE की भूमिका: यह जाँचता है कि क्या AI ने वास्तव में उन विशिष्ट, कठिन-से-देखने वाले दृश्य विवरणों को खोजा है जो पहेली को सुलझाने के लिए आवश्यक हैं, भले ही उसने अभी तक अंतिम उत्तर न दिया हो।
एडाप्टिव फोकस कंट्रोल (The Right Magnifying Glass - अनुकूलित फोकस नियंत्रण):
- उपमा: कभी-कभी आपको एक खरोंच देखने के लिए बहुत करीब से ज़ूम करने की आवश्यकता होती है; अन्य समय में, आपको पूरे कमरे को देखने के लिए पीछे हटने की आवश्यकता होती है। यदि आप एक खाली दीवार पर बहुत अधिक ज़ूम करते हैं, तो आप समय बर्बाद कर रहे हैं।
- CAVE की भूमिका: यह AI को इस आधार पर कि वह वर्तमान में कितना भ्रमित है, सही स्थानों पर सही मात्रा में विवरण के साथ ज़ूम करने के लिए पुरस्कृत करता है।

3. नया परीक्षण: "TRACER-Bench"

अपने तरीके को सिद्ध करने के लिए, लेखकों ने TRACER-Bench नामक एक नया परीक्षण बनाया है।

उपमा: इसे AI के लिए "ड्राइविंग टेस्ट" के रूप में सोचें। केवल एक सीधी, खाली सड़क पर गाड़ी चलाने (आसान कार्यों) के बजाय, यह परीक्षण AI को कोहरे, भ्रमित करने वाले सड़क संकेतों और छिपे हुए मोड़ों वाले भूलभुलैया में गाड़ी चलाने के लिए मजबूर करता है।
यह क्या परीक्षण करता है: इसमें चार प्रकार की चुनौतियाँ हैं:
1. रूल-स्विचिंग (नियम बदलना): एक ऐसे पथ का अनुसरण करना जहाँ रास्ते के बीच में नियम बदल जाते हैं।
2. नॉनसेमेंटिक ट्रेसिंग (गैर-अर्थपूर्ण अनुरेखण): एक जटिल ड्राइंग के माध्यम से एक रंगीन रेखा का पीछा करना जहाँ रेखा कई अन्य रेखाओं जैसी दिखती है।
3. एम्बेडेड मैचिंग (अंतर्निहित मिलान): एक विशाल, जटिल पैटर्न के भीतर एक छोटे, घुमावदार आकार को खोजना।
4. रिमोट सेंसिंग (दूरस्थ संवेदन): एक बड़े, वास्तविक दुनिया के शहर के मानचित्र में एक विशिष्ट स्थान से मेल खाने वाली छोटी सैटेलाइट फोटो को खोजना।

4. परिणाम: स्मार्ट, न कि सिर्फ बड़ा

शोध पत्र दिखाता है कि CAVE का उपयोग करने से, AI इन कठिन, खंडित कार्यों में बहुत बेहतर हो गया।

उपमा: CAVE से पहले, AI आसान क्विज़ के उत्तर रटने वाले छात्र की तरह था। CAVE के बाद, छात्र ने पढ़ना कैसे है सीखा: जैसे सही पाठ्यपुस्तक का पृष्ठ कैसे खोजें, अच्छे नोट्स कैसे लें और विचारों को कैसे जोड़ें।
मुख्य निष्कर्ष: AI ने न केवल विशिष्ट परीक्षण में बेहतर प्रदर्शन किया; इसने अन्य कार्यों के लिए अपनी सामान्य बुद्धिमत्ता को भी बनाए रखा। इसे इस तरह से प्रशिक्षित करने के लिए कि इसे एक "विशाल" मॉडल होने की आवश्यकता नहीं थी; CAVE के साथ प्रशिक्षित एक छोटा मॉडल उन बड़े मॉडलों को हरा देता है जिन्हें इस तरह प्रशिक्षित नहीं किया गया था।

सारांश

शोध पत्र का तर्क है कि AI को वास्तव में दृश्य तर्क (visual reasoning) में कुशल बनाने के लिए, हम केवल इसके द्वारा अंतिम उत्तर सही दिए जाने का इंतज़ार नहीं कर सकते। हमें इसे सिखाना होगा कि कैसे देखना है, अपने विचारों को कैसे अपडेट करना है, और रास्ते में सही सुराग कैसे खोजने हैं। CAVE वह प्रणाली है जो AI को ये आदतें सिखाती है, जिससे वह एक अनुमान लगाने वाले से बदलकर एक सतर्क अन्वेषक बन जाता है।

तकनीकी सारांश: CAVE – खंडित दृश्य साक्ष्य तर्क के लिए एक संरचित क्रेडिट असाइनमेंट दृष्टिकोण

1. समस्या परिभाषा: खंडित दृश्य तर्क (Fragmented Visual Reasoning - FVR)

जबकि विजन-लैंग्वेज मॉडल्स (VLMs) सामान्य मल्टीमॉडल तर्क में काफी उन्नत हो गए हैं, वे तब कमजोर हो जाते हैं जब कार्यों के लिए गैर-स्थानीय (nonlocal) दृश्य जानकारी को कम से कम सिमेंटिक प्रायर्स (semantic priors) के साथ एकीकृत करने की आवश्यकता होती है। लेखक इस चुनौती को खंडित दृश्य तर्क (FVR) के रूप में परिभाषित करते हैं। FVR में, कार्य-महत्वपूर्ण साक्ष्य विभिन्न छवि क्षेत्रों में स्थानिक रूप से खंडित और सिमेंटिक रूप से कमजोर रूप से विभाज्य होते हैं।

वर्तमान VLMs इस सेटिंग में अक्सर विफल रहते हैं क्योंकि:

कोर्स ग्लोबल परसेप्शन (Coarse Global Perception): वैश्विक निरूपण (global representations) पर निर्भर रहने से लॉन्ग-रेंज डिपेंडेंसी और सूक्ष्म स्थानीय अंतरों को पकड़ने में विफलता होती है।
वर्बलाइज्ड बायस (Verbalized Bias): मॉडल मौखिक रूप से व्यक्त किए गए साक्ष्यों के एक उपसमूह की ओर पक्षपाती होने की प्रवृत्ति रखते हैं, जिससे सुसंगत लेकिन दृश्य रूप से आधारहीन (ungrounded) तर्क श्रृंखलाएं उत्पन्न होती हैं।
त्रुटि प्रसार (Error Propagation): साक्ष्य चयन में शुरुआती त्रुटियां बाद के तर्क चरणों में कैस्केडिंग विफलताओं का कारण बनती हैं।

मौजूदा इंटरलीव्ड रीजनिंग विधियाँ (जैसे, "Think-with-Image") स्थानीयकृत पुन: अवलोकन (localized re-observation) की अनुमति देती हैं, लेकिन उनमें एक्शन-विशिष्ट प्रक्रिया पर्यवेक्षण (action-specific process supervision) का अभाव है। वर्तमान प्रोसेस-रिवॉर्ड विधियाँ आमतौर पर अंतिम-उत्तर सुधार या समग्र प्रक्षेपवक्र (trajectory) की गुणवत्ता के आधार पर मध्यवर्ती चरणों का मूल्यांकन करती हैं, जो साक्ष्य प्राप्ति या क्षेत्र पर ध्यान केंद्रित करने जैसे विशिष्ट तर्क व्यवहारों के लिए लक्षित मार्गदर्शन प्रदान करने में विफल रहती हैं।

2. कार्यप्रणाली: CAVE (Visual Evidence के लिए Credit Assignment)

इन सीमाओं को संबोधित करने के लिए, लेखक CAVE प्रस्तावित करते हैं, जो इंटरलीव्ड विजुअल रीजनिंग के लिए डिज़ाइन किया गया एक ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (GRPO) आधारित संरचित प्रोसेस-रिवॉर्ड मेथड है।

2.1 इंटरलीव्ड रीजनिंग ट्राजेक्टरी (Interleaved Reasoning Trajectory)

मॉडल की समाधान प्रक्रिया को एक ट्राजेक्टरी $\tau = \{(M_t, a_t, o_t)\}_{t=1}^{T_\tau}$ के रूप में मॉडल किया गया है, जहाँ:

$M_t$ : मल्टी-मोडल कॉन्टेक्स्ट स्टेट (मूल छवि, प्रश्न, इतिहास, स्थानीय अवलोकन)।
$a_t$ : असिस्टेंट एक्शन (टेक्स्टुअल रीजनिंग, ज़ूम-टूल कॉल, या अंतिम उत्तर)।
$o_t$ : एनवायरनमेंट ऑब्जर्वेशन (जैसे, ज़ूम किया गया सब-इमेज)।

2.2 स्ट्रक्चर्ड प्रोसेस क्रेडिट्स (Structured Process Credits)

सिंगल स्टेट-यूटिलिटी रिवॉर्ड्स के विपरीत, CAVE तीन पूरक, एक्शन-लेवल सिग्नल्स के माध्यम से मध्यवर्ती चरणों के मूल्य को विभाजित करता है:

बलीफ अपडेट क्रेडिट ( $c_{bu}$ ):
- लक्ष्य: सही उत्तर की ओर प्रगति को मापना।
- तंत्र: टीचर फोर्सिंग (teacher forcing) का उपयोग करके स्टेट $M_t$ और $M_{t+1}$ के बीच ग्राउंड-ट्रुथ आंसर बॉडी ( $A$ ) के कंडीशनल लॉग-लाइक्लीहुड गेन की गणना करता है।
- कार्य: उन चरणों को पुरस्कृत करता है जो मॉडल की स्थिति को सही उत्तर के करीब ले जाते हैं, जिससे उत्तर-उन्मुख स्टेट अपडेट को नियंत्रित किया जाता है।
एविडेंस एक्विजिशन क्रेडिट ( $c_{ea}$ ):
- लक्ष्य: उस पूर्ववर्ती प्रगति को पकड़ना जहाँ महत्वपूर्ण दृश्य सुराग उपलब्ध होते हैं, इससे पहले कि उन्हें पूर्ण रूप से उत्तर विश्वास (answer belief) में एकीकृत किया जाए।
- तंत्र: कार्य के लिए एनोटेट किए गए $K$ टेक्स्टुअलाइज्ड विजुअल एविडेंस यूनिट्स ( $P = \{p_1, ..., p_K\}$ ) का उपयोग करता है (जैसे, "त्रिकोणीय इमारत")। यह इन यूनिट्स के बीच स्टेट्स के बीच रिकवरेबिलिटी स्कोर गेन को मापता है।
- कार्य: उन ट्राजेक्टरीज को पुरस्कृत करता है जो आवश्यक दृश्य विवरणों को क्रमिक रूप से प्राप्त करती हैं, जो उन्हें अंधे होकर अनुमान लगाने (blind guessing) से अलग करती हैं।
एडाप्टिव फोकस कंट्रोल क्रेडिट ( $c_{af}$ ):
- लक्ष्य: साक्ष्य कवरेज और विजुअल नॉइज़ के बीच संतुलन बनाने के लिए ज़ूम-आधारित विजुअल एक्सप्लोरेशन को नियंत्रित करना।
- तंत्र:
  - अनसर्टेन्टी (uncertainty) के माध्यम से स्टेट अनसर्टेन्टी ( $u_t$ ) का अनुमान लगाता है (उत्तर टोकन के एंट्रॉपी के माध्यम से)।
  - अनसर्टेन्टी के आधार पर एक लक्ष्य ज़ूम स्केल $\hat{\rho}_t$ को परिभाषित करता है।
  - रिवॉर्ड को गेट करता है: एक ज़ूम एक्शन को केवल तभी पुरस्कृत किया जाता है जब वह सकारात्मक बलीफ या एविडेंस गेन ( $g_t$ ) प्रदान करता है AND उसका स्केल वर्तमान अनसर्टेन्टी ( $1 - |\rho_t - \hat{\rho}_t|$ ) से मेल खाता है।
- कार्य: मॉडल को ऐसे स्थानीय अवलोकन चुनने के लिए प्रोत्साहित करता है जो स्टेट प्रोग्रेस को प्रेरित करते हैं और अप्रासंगिक शोर (noise) से बचते हैं।

2.3 ऑप्टिमाइजेशन (Optimization)

कुल रिवॉर्ड एकत्रित ट्राजेक्टरी-लेवल क्रेडिट्स का भारित योग (weighted sum) है:
$R_{CAVE}(\tau) = \lambda_{bu}C_{bu}(\tau) + \lambda_{ea}C_{ea}(\tau) + \lambda_{af}C_{af}(\tau)$
पॉलिसी को GRPO का उपयोग करके अनुकूलित किया जाता है, जो $R_{CAVE}$ के आधार पर ग्रुप-रिलेटिव एडवांटेज की गणना करता है। ऑप्टिमाइजेशन केवल असिस्टेंट-जेनरेटेड टोकन पर लागू होता है; टूल ऑब्जर्वेशन कॉन्टेक्स्ट के रूप में कार्य करते हैं लेकिन पॉलिसी ग्रेडिएंट में भाग नहीं लेते हैं।

3. बेंचमार्क: TRACER-Bench

नियंत्रित मूल्यांकन और प्रोसेस-लेवल विश्लेषण को सक्षम करने के लिए, लेखक TRACER-Bench (Text-Resistant Cross-Region Evidence Reasoning) का निर्माण करते हैं।

स्कोप: चार परिदृश्यों को कवर करने वाले 980 VQA सैंपल:
1. रूल-स्विचिंग नेविगेशन (VJump): नियम स्विच के दौरान स्टेट बनाए रखने की आवश्यकता होती है।
2. नॉन-सिमेंटिक ट्रेसिंग (LT): बिना सिमेंटिक संकेतों के पथों को ट्रेस करना।
3. एम्बेडेड मैचिंग (Match): फाइन-ग्रेन्ड टेम्पलेट-ग्रिड पत्राचार।
4. रिमोट-सेंसिंग सबइमेज मैचिंग (MME-RS): वास्तविक दुनिया की शोर वाली छवियों में पैच को मिलाना।
मुख्य विशेषता: प्रत्येक सैंपल में एक परसेप्शन फील्ड शामिल है जिसमें मुख्य मध्यवर्ती दृश्य साक्ष्य (टेक्स्टुअलाइज्ड) होते हैं जिनका उपयोग ऑफलाइन विश्लेषण और रिवॉर्ड गणना के लिए किया जाता है, लेकिन इन्फरेंस के दौरान इन्हें मॉडल इनपुट के रूप में प्रदान नहीं किया जाता है।
आइसोलेशन: डेटा लीकेज को रोकने के लिए रैंडम सीड्स, लेआउट और इंस्टेंस के संबंध में प्रशिक्षण कॉर्पस को टेस्ट सेट से सख्ती से अलग रखा गया है।

4. प्रयोगात्मक परिणाम

लेखक CAVE (Qwen2.5-VL पर आधारित) का विभिन्न बेसलाइन्स के विरुद्ध मूल्यांकन करते हैं, जिसमें सामान्य VLMs, रीजनिंग-ओरिएंटेड मॉडल्स और टूल-ऑगमेंटेड मेथड्स शामिल हैं।

खंडित विजन प्रदर्शन (Fragmented Vision Performance): CAVE तुलनीय ओपन-सोर्स बेसलाइन्स के बीच सर्वश्रेष्ठ समग्र औसत प्रदर्शन प्राप्त करता है।
- TRACER-Bench पर, CAVE-7B बेस Qwen2.5-VL-7B की तुलना में औसत स्कोर में +15.5% का सुधार करता है।
- यह स्पेशलाइज्ड रीजनिंग मॉडल्स (जैसे, ThinkLite-VL, VLAA-Thinker) और टूल-असिस्टेड मेथड्स (जैसे, DeepEyes) से काफी बेहतर प्रदर्शन करता है।
- एक एब्लेशन स्टडी ("Belief-Only") दिखाती है कि जबकि आंसर-बलीफ गेन प्रभावी है, यह एविडेंस एक्विजिशन और फोकस कंट्रोल के बिना अपर्याप्त है, जो तीन-भाग वाले स्ट्रक्चर्ड क्रेडिट की आवश्यकता की पुष्टि करता है।
सामान्य मल्टीमॉडल प्रदर्शन: CAVE सामान्य बेंचमार्क (MMStar, RealWorldQA, HallusionBench, आदि) पर प्रतिस्पर्धी प्रदर्शन बनाए रखता है, 6 में से 4 बेंचमार्क पर शीर्ष या शीर्ष के करीब परिणाम प्राप्त करता है। यह इंगित करता है कि विजुअल एविडेंस एक्सप्लोरेशन के लिए अनुकूलित करने से सामान्य क्षमताएं कम नहीं होती हैं।
मजबूती (Robustness): CAVE रीजनिंग डेप्थ (हॉप्स) और क्रॉस-रीजन डिस्टेंस बढ़ने के साथ धीमा प्रदर्शन गिरावट प्रदर्शित करता है, जो लॉन्ग-रेंज डिपेंडेंसी में बेहतर स्थिरता का सुझाव देता है।
दक्षता (Efficiency): CAVE समान या कम टोकन/टूल बजट के साथ उच्च सटीकता प्राप्त करता है, जैसा कि उच्च "यूजफुल ज़ूम रेट" (सकारात्मक लाभ देने वाले ज़ूम का अनुपात) से सिद्ध होता है।

5. महत्व और दावे

यह पेपर एक विशिष्ट अंतराल को संबोधित करने का दावा करता है: खंडित और सिमेंटिक रूप से कमजोर साक्ष्य को विश्वसनीय रूप से एकीकृत करने में VLM की अक्षमता।

स्ट्रक्चर्ड क्रेडिट असाइनमेंट: प्राथमिक योगदान मध्यवर्ती तर्क मूल्य को बलीफ अपडेट, एविडेंस एक्विजिशन, और एडाप्टिव फोकस कंट्रोल में विभाजित करना है। यह लक्षित, एक्शन-लेवल पर्यवेक्षण प्रदान करता है जो मौजूदा ट्राजेक्टरी-लेवल रिवॉर्ड्स मिस कर देते हैं।
प्रोसेस-ओरिएंटेड ऑप्टिमाइजेशन: परिणाम बताते हैं कि प्रदर्शन में सुधार बड़े मॉडल स्केल या विशिष्ट टूल फॉर्मेट से नहीं, बल्कि विजुअल एविडेंस प्रोग्रेशन प्रक्रिया के स्ट्रक्चर्ड मॉडलिंग से आता है।
सामान्यीकरण (Generalizability): विधि खंडित कार्यों के लिए प्रदर्शन में सुधार करती है जबकि सामान्य मल्टीमॉडल क्षमताओं को बनाए रखती है, जो दर्शाता है कि सीखा गया विजुअल एविडेंस एक्सप्लोर और इंटीग्रेट करने का कौशल हस्तांतरणीय है।
बेंचमार्किंग: TRACER-Bench क्रॉस-रीजन डिपेंडेंसी रीजनिंग के मूल्यांकन के लिए एक आवश्यक ढांचा प्रदान करता है जिसमें सत्यापन योग्य मध्यवर्ती दृश्य साक्ष्य श्रृंखलाएं हैं, जो टनल विजन या बेबीविज़न जैसे मौजूदा बेंचमार्क में प्रोसेस-एविडेंस विश्लेषण की कमी को संबोधित करता है।

लेखक निष्कर्ष निकालते हैं कि CAVE प्रभावी रूप से मॉडल्स को कार्य-महत्वपूर्ण साक्ष्य खोजने, रीजनिंग स्टेट्स को अपडेट करने और सूचनात्मक क्षेत्रों पर ध्यान केंद्रित करने के लिए निर्देशित करता है, जिससे कम सिमेंटिक सेपरेबिलिटी और लॉन्ग-रेंज डिपेंडेंसी की स्थितियों में अधिक मजबूत विजुअल रीजनिंग प्राप्त होती है।