基于MaxSAT的反馈引导视觉语言模型解决数独问题

研究者提出一种神经符号方法，将MaxSAT形式约束推理集成到视觉语言模型（VLM）的数独求解流程中。VLM生成的候选放置被编码为软子句，数独约束作为硬子句，MaxSAT求解器找出最大一致子集，并转化为结构和视觉反馈引导VLM逐步修正。在多个开源和闭源VLM上评估，该方法提高了逻辑一致性并增加了解决的数独实例数量。

此前VLM在结构化视觉推理中虽感知能力强，但缺乏显式逻辑一致性机制，常生成违反约束的赋值。本工作首次用MaxSAT作为一致性验证和精炼引擎，以符号反馈提升VLM推理的可靠性，为视觉语言系统的逻辑约束处理提供了新范式。

VLM输出候选解并转换为部分MaxSAT的软子句，数独约束保持为硬子句。MaxSAT求解器找到最大可满足子集（即最大一致赋值），将其翻译为文本和视觉反馈，提示VLM修改冲突部分，从而在迭代中提升解的逻辑正确性。

该方法可直接提升基于VLM的数独求解或类似网格类逻辑谜题产品的准确率与鲁棒性，减少违规输出。为开发需逻辑一致性的视觉推理系统（如表格识别、约束满足问题）提供技术路径，但当前验证仅限于数独领域。

• 在数独或类似逻辑谜题应用中，集成MaxSAT反馈循环，自动校正VLM识别或生成的错误数字放置。
• 将本方法封装为通用反馈模块，用于对VLM输出进行后处理逻辑验证，提升医疗影像、表单识别等场景的合规性。
• 开发基于反馈的交互式数独求解工具，用户可输入草稿，系统通过VLM+MaxSAT逐步给出高准确率解答。

• 该方法是否适用于比数独更复杂或更大规模的逻辑约束问题（如填字游戏、规划任务）？
• MaxSAT求解本身的计算开销对实时性要求高的产品场景是否可接受？
• 不同的VLM架构（如仅视觉或视觉-语言）是否在反馈效果上有显著差异？
• 反馈中的文本与视觉成分对VLM修正的具体贡献权重尚不明确。