ChartCynics：双路径智能体框架破解误导性图表的视觉欺骗

ChartCynics通过诊断视觉路径和OCR数据路径的双轨机制，结合Oracle-Informed SFT和Deception-Aware GRPO两阶段训练，在误导性图表问答任务上实现74.43%准确率，较基线提升约29%。该框架旨在解决视觉欺骗带来的认知挑战，为可信AI系统提供新的设计思路。

在信息爆炸时代，图表成为数据传播的主要载体，但也易被用于误导（如倒置坐标轴、扭曲比例尺等）。现有视觉-语言模型（VLM）在标准图表理解任务表现良好，但面对误导性图表时存在不足：采用整体式感知策略难以识别局部结构异常，且缺乏对“视觉欺骗”的内在理解，无法主动质疑所见内容。

ChartCynics引入“怀疑主义”推理范式，主动验证图表信息。框架采用双路径架构：

1. 诊断视觉路径：通过战略性ROI裁剪聚焦高风险区域（如坐标轴、图例），检测视觉异常；
2. OCR数据路径：提取原始数值重建数据表，与视觉呈现对比验证； 两条路径输出经智能体摘要器交叉验证，确保结论一致性。

ChartCynics采用两阶段训练：

1. Oracle-Informed SFT：通过推理蒸馏注入专家知识，学习识别欺骗模式与验证方法；
2. Deception-Aware GRPO：对抗对齐训练，使用复杂对抗样本强化鲁棒性，奖励识破欺骗、惩罚被误导行为。

在误导性图表问答基准上，ChartCynics取得74.43%和64.55%准确率，较Qwen3-VL-8B基线提升约29%，且超越当前最先进专有模型。错误模式分析显示，剩余错误主要源于多种欺骗手段组合导致的信息过载。

ChartCynics的核心贡献包括：

1. 感知与验证解耦：建立独立验证通道，增强对抗攻击抵抗力；
2. 怀疑主义设计原则：将“质疑除非证实”作为高风险AI系统的默认姿态；
3. 固有可解释性：双路径设计使决策过程可追溯，能指出问题区域与证据支持。

ChartCynics的应用场景包括：

• 自动化事实核查与媒体素养教育；
• 金融分析与商业智能中的图表验证；
• 科学传播与同行评审辅助。 未来研究可探索动态图表欺骗检测、交互式可视化实时验证及多模态联合推理。