问题
构建基于视觉语言模型（VLM）检索管线的开发者，常把页面裁切成片段或分层渐进呈现视觉证据（例如图像上的 RAG）。研究发现这种做法会显著伤害模型表现："fragmenting the question has a small effect, but fragmenting the scene substantially reduces accuracy"。也就是说，管线设计者以为在帮模型聚焦，实际在降低准确率，且目前没有现成工具层提醒或修复这一点。
目标用户
构建文档/图像 VLM 应用（视觉 RAG、文档问答、图纸与截图分析）的开发者与小型 AI 工程团队。市场规模完全依赖此类管线的普及程度，信号中没有任何采用率数据，只能定性判断为正在增长但未量化的细分开发者群体。
解决方案
- 场景重组器：输入裁剪片段/图层及其坐标，输出重组后的完整场景图，再交给任意 VLM
- 管线钩子：以 SDK/中间件形式嵌入现有图像 RAG 流程，对用户管线改动最小
- 碎片化检测与告警：检测送入模型的视觉证据是否被过度裁切，并在准确率可能受损时提示
- A/B 对比报告：同一批查询在"片段直送"与"重组后送"两种模式下的准确率对比，量化收益
为什么是现在
2026 年 10 月的 arXiv 研究刚刚明确揭示：视觉证据以碎片化图层而非完整场景呈现时，VLM 准确率大幅下降，而"recomposing the same layers largely restores performance"。这说明问题普遍存在于现有管线中，且解法（重组）已被验证有效，正是做工具层的时机。
MVP 范围
第一版只做一件事：接收用户传入的整页图像与若干裁剪区域（或多图层证据），在送入 VLM 前自动重组为完整场景图，并返回统一的响应接口。不做的：不做自有 VLM 模型、不做端到端文档问答产品、不覆盖视频或多模态训练类需求、不做 OCR 后处理。
风险
- 研究结论的泛化性：结论来自单篇论文的特定评测场景，不同 VLM、不同文档类型上收益可能很小甚至没有。
- 上游模型演进：VLM 厂商若在模型内部解决碎片化问题（或原生支持整页+局部引用），中间件价值会被直接抹掉，平台依赖风险高。
- 付费意愿未验证：目标用户是开发者，工具类付费转化慢，且此类问题可能被当作管线内的免费自查脚本而非独立产品。
- 评测成本：要证明价值需要跨模型、跨基准的评测矩阵，单人团队难以快速建立可信的 benchmark 报告。
信号证据
这张卡片依据的原始讨论。摘录保持原文，点“原文”查看上下文。
arXiv cs.CV10月1日新能力
“LoopVL outperforms a range of similarly sized and larger non-recurrent models on multimodal understanding and visual reasoning benchmarks.”
Loop Transformers are not yet effectively extended to vision-language models, limiting recurrent multimodal computation.原文
arXiv cs.CV10月1日新能力
“Loss in Composition: fragmenting the question has a small effect, but fragmenting the scene substantially reduces accuracy; recomposing the same layers largely restores performance.”
Vision-language models substantially lose accuracy when the same visual information is presented as fragmented layers instead of a complete scene.原文