Visual Para-Thinker++: Uma Estrutura Multiagente de Política Única para Raciocínio Visual

Resumo

O raciocínio visual requer a integração de evidências distribuídas entre regiões, atributos e relações, tornando o raciocínio em cadeia única propenso a comprometimento perceptual precoce e alucinação. Propomos o Visual Para-Thinker++, uma estrutura multiagente de política única na qual uma política MLLM compartilhada é instanciada como Agentes Principal, Trabalhador e Resumidor condicionados a papéis. O Agente Principal decompõe a tarefa com padrões de alocação fixos; os Agentes Trabalhadores raciocinam em paralelo sob isolamento de contexto; e o Agente Resumidor reconcilia os traços completos de raciocínio dos Trabalhadores, em vez de votação majoritária sobre rótulos finais. A política compartilhada é treinada por Injeção de Capacidade Multiagente e Otimização Multiagente Desacoplada por Papéis, que atribuem recompensas e vantagens específicas de papel a segmentos de token correspondentes para reduzir conflitos de gradiente entre papéis colaborativos. Um mecanismo de inferência nativo permite uma implantação multiagente eficiente por meio de prefixo visual compartilhado e reutilização de cache KV. Em V*, CountBench, a família RefCOCO e HallusionBench, o Visual Para-Thinker++ supera consistentemente as linhas de base de trajetória única e paralelas em tempo de inferência, com ganhos especialmente fortes em raciocínio visual sensível a alucinações.

English

Visual reasoning requires integrating evidence distributed across regions, attributes, and relations, making single-chain reasoning prone to early perceptual commitment and hallucination. We propose Visual Para-Thinker++, a single-policy multi-agent framework in which one shared MLLM policy is instantiated as role-conditioned Main, Worker, and Summary Agents. The Main Agent decomposes the task with fixed allocation patterns; Worker Agents reason in parallel under context isolation; and the Summary Agent reconciles full Worker reasoning traces rather than majority-voting on final labels. The shared policy is trained by Multi-Agent Capability Injection and Role-Decoupled Multi-Agent Optimization, which assign role-specific rewards and advantages to corresponding token segments to reduce gradient conflict among collaborative roles. A native inference engine enables efficient multi-agent rollout through shared visual prefix and KV cache reuse. Across V*, CountBench, the RefCOCO family, and HallusionBench, Visual Para-Thinker++ consistently outperforms single-trajectory and inference-time parallel baselines, with especially strong gains on hallucination-sensitive visual reasoning.