ActiveEvidence: Decision-Focused Evidence Graphs with Verifiable Acquisition Gaps· 决策聚焦证据图与可验证获取差距
A multimodal agent must decide whether visual evidence is worth acquiring, which candidate or resolution to query, and when further interaction can no longer change its decision. We study this problem under a strict free-metadata/paid-observation boundary, stochastic vector costs, and a frozen execution trace, and treat it as decision-certifiable active evidence acquisition. A Counterfactual Evidence Interaction Graph (CEIG) represents unary evidence value, signed second-order interaction, and directed conditional harm while maintaining explicit score enclosures for unresolved interactions; a decision-weighted enclosure objective tightens the bounds that can change action identity. Gap-directed refinement evaluates only interactions that can displace the incumbent acquisition and stops onc
多模态代理如何决定是否获取视觉证据及其最佳策略。
- 核心方法
- 提出了一种决策聚焦的证据获取方法，使用反事实证据交互图（CEIG）表示单一证据价值、带符号的二阶交互和有向条件伤害，同时通过决策加权的分数封装目标来收紧可能改变行动选择的界限。还引入了差距导向的细化策略，仅评估能够取代当前证据获取方案的交互，并在必要时停止。
- 适合谁读
- 研究者、工程师
- 要解决的问题
- 论文探讨了在严格无元数据免费、观察付费的边界条件下，多模态代理如何决定是否获取视觉证据、选择哪个候选或分辨率进行查询，以及何时进一步交互不再对其决策产生影响。
- 关键实验
- 关键实验包括在不同场景下的证据获取决策对比，展示了提出方法的有效性和高效性。
- 主要贡献
- 1. 提出了CEIG，能够更准确地表示证据价值和交互影响；2. 设计了决策加权的分数封装目标，有效收紧决策边界；3. 开发了差距导向的细化策略，提高了决策效率。
- 意义与局限
- 该研究为多模态代理在资源有限条件下的决策提供了一套新的理论和方法，有助于提高代理在实际应用中的性能。局限性在于模型假设在某些现实场景中可能过于理想化。