PixelEyes: Decoupling Perception and Reasoning for Pinpoint Visual Evidence Seeking

• 类型：arxiv
• 标识：2607.00115
• 链接：https://arxiv.org/abs/2607.00115
• 主分类：agent
• 形态：method
• 被引：1
• 被引来源：Semantic Scholar
• S2被引：1
• OpenAlex被引：0
• 影响力被引：0
• TLDR：This paper explores multi-turn visual reasoning and observes that MLLMs repeatedly fail to localize the target, leading to long, redundant trajectories, and proposes PixelEyes, a multi-turn visual reasoning agent that explicitly decouples reasoning from perception.
• OpenAlex ID：W7167094583
• OpenAlex DOI：10.48550/arxiv.2607.00115
• DOI：10.48550/arxiv.2607.00115
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2607.00115
• OpenAlex更新：2026-07-19
• 待LLM分类：否
• 标题中文：PixelEyes：解耦感知与推理以实现精准视觉证据定位
• TLDR中文：本文探索多轮视觉推理，观察到 MLLM 反复无法定位目标，导致冗长的推理轨迹，进而提出 PixelEyes，一种将推理与感知显式解耦的多轮视觉推理 Agent。
• 来源文件：
• /inbox/tom/_candidates/2026-07-02-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]