← 返回 PaperDaily
视觉与图像
Google新方法：先想清楚再分类，F1最高涨10.5%
这篇论文最有意思的地方，不是又造了一个更强的分类器，而是先承认一件事：很多视觉概念根本没法一上来就说清。Google把“边界样本+概念梳理”做成了一个可交互流程，专门治那种人和模型都容易吵架的主观概念，挺实用。
龙哥读论文
发布于 2026-08-16 00:20:02
阅读 4
查看原文
原论文信息如下：
从“凭感觉”到“会思考”：AI如何帮你厘清模糊的视觉概念
有些视觉任务，模型不是不会做，而是人自己都没想明白。比如“健康食物”“危险内容”“像不像高端餐厅摆盘”这种概念，边界本来就糊得像一锅粥。模型一上来就要给答案，往往只能靠“猜”；人一上来就要写定义，也经常写着写着就改口。Agile Deliberation
这篇论文最有意思的地方，不是把视觉分类又卷高了几个点，而是承认了一个现实：主观视觉概念不是“标出来就完事”
论文把这种过程叫做concept deliberation
于是，Agile Deliberation 的目标就很明确：不是替人拍板，而是帮人把概念想清楚，再把这个清晰后的概念变成一个能工作的视觉分类器。它解决的不是“模型不够大”，而是“人和模型对同一个词的理解压根没对齐”。这事看起来文气，实际上很工程：定义不稳，标签就乱；标签一乱，少量数据下的微调就容易翻车。
深入剖析Agile Deliberation：两大阶段与三大模块
这套方法可以先用一句人话概括：先拆概念，再找边界，最后迭代定义
第一步是概念范围界定
这个阶段的价值很现实。很多人做分类时，脑子里其实有一团“差不多”的标准，但一旦要写成提示词，就会发现“差不多”这三个字最难落地。Agile Deliberation 逼着系统把这团雾拆成几个可讨论的块：正例子概念、反例子概念、以及容易争议的边缘项。这样做的好处是，后面不管是给人看，还是喂给视觉语言模型，都更稳定。
第二步是概念迭代
这一步的设计很像现实中的专家工作流：真正有用的反馈，往往不是“这个明显对/错”，而是“这个地方差一点点，你得把标准说死”。因此系统会把模型的预测、理由、用户的标签和简短解释放在一起，让人看到分歧究竟出在哪里。然后再让大模型根据这些反馈自动改写定义，生成新的候选版本，继续下一轮。
从实现上看，三大模块分别承担三种任务：分解模块负责把大概念拆成可讨论的结构；边界图像检索模块负责把“争议点”从海量图片里捞出来；概念修正模块负责把人类反馈写回定义。三者拼起来，就不是简单的“人打标签、模型训练”了，而是一个围绕概念理解展开的闭环。
很多人做主动学习时，第一反应是：把模型最不确定的样本挑出来不就行了？在普通分类任务里，这招常常有效。但这篇论文偏偏不这么干，因为这里的“分类器”不是一个训练得很老实的判别式模型，而是靠视觉语言模型加提示词去判断。问题来了：VLM 的置信度不一定和人的理解一致
所以作者换了个思路：不去盯“概率边界”，而去找“语义边界”。所谓语义边界，就是那些在自然语言定义下最容易引发争议的图像。比如“健康食物”里，沙拉加了很多奶油酱，到底还算不算健康？“paid to play”里，图片里明明有奖励承诺，但语气又像玩笑，这算不算点击诱饵？这些样本不一定是模型最不确定的，但它们往往最能暴露定义里的漏洞。
这就是这套方法最“聪明”的地方：它不只是在找错误，而是在找能逼人把标准说清楚的错误
论文里这块实现也挺工程化。系统先生成一批边界查询，再从目标数据集中检索相似图像，随后去重、聚类，再用一个多臂老虎机式的策略挑选最值得展示的簇，最后再从簇里挖出真正“卡边界”的样本。这个设计看起来绕，但好处很实际：既能保证样本多样性，又能把用户时间花在最有信息量的地方，而不是被一堆重复图像刷屏。
这篇论文的实验很特别，因为它没有走常规“找个公开数据集、跑个分数、贴个表”的套路。原因也简单：主观概念没有稳定真值，尤其是概念会随着用户理解不断变化时，静态基准根本测不准“对齐”这件事。所以作者做了 18 组真实用户会话，每组 1.5 小时，直接看系统能不能帮人把概念越想越清楚。
实验设了三类对照：零样本分类、自动分解的对照系统，以及人工审思流程。零样本就是直接拿最初概念描述去问模型；自动分解则是让大模型自动把概念拆细，但不让用户参与修正；人工审思则是让用户自己找边界样本、自己改提示词。Agile Deliberation 则是把“找边界”和“改定义”都系统化了。
结果很直接：Agile Deliberation 在 F1 上比零样本平均高出约 10.5%，比自动分解方法高出约 7.5%，也比人工审思流程更稳。更重要的是，提升主要来自精确率的改善，而不是靠牺牲召回去“保守求稳”。这说明系统不是简单地把模型变得更谨慎，而是把概念边界真正收紧了。
从曲线看，Agile Deliberation 的 F1 随着迭代轮次总体上升，虽然中间有波动，但方向是对的。这个波动并不奇怪，因为每一轮都在改文本定义，而不是单纯调一个数值参数。文本提示词的优化本来就不像梯度下降那样丝滑，它更像人类讨论：有时一轮改得很准，有时会多绕半圈。
用户体验这一块也挺关键。表 2 显示，参与者普遍认为 Agile Deliberation 帮助他们更清楚地理解概念，认知负担更低，挫败感也更小。这个结果很重要，因为主观概念任务里，系统好不好，不只是看分数，还要看人是不是愿意继续用。一个把人搞得头大的工具，即使分数涨一点，也未必适合真实部署。
更有意思的是跨模型迁移。作者把用 Gemini 2.5 Flash 产出的概念定义，拿去给其他视觉语言模型继续用，发现效果还能保持相当一部分提升。这说明它学到的不是某个模型的“投机提示词”，而是更接近人类概念本身的结构化表达。对工程来说，这个信号很友好：定义如果只能绑死在一个模型上，实用性就会很差；如果能迁移，才更像真正可复用的资产。
不过，这里也别把结果吹得太满。实验是通过真实用户会话完成的，优点是真实，代价是样本不大、概念有限、会话时长也受约束。再加上系统依赖大模型 API、图像检索和交互式流程，离“开箱即用的大规模产品”还有一段距离。它证明的是方法方向靠谱，不是说所有主观分类问题都能立刻被一键治好。
Agile Deliberation 的启发其实很简单，却很容易被忽略：很多 AI 问题不是“模型不够聪明”，而是“人没把问题说清楚”
这也是这篇工作的真正价值：它把“概念对齐”从抽象口号变成了可操作的交互流程。对内容审核、品牌安全、个性化内容筛选这类场景来说，这种流程比单纯追求一个更高的分数更有意义。因为真实业务里，最贵的不是少涨 1 个点的 F1，而是概念没对齐导致的误判、漏判和后续争议。
如果要说这项工作最值得借鉴的地方，那就是它很克制：没有幻想大模型能替人类直接定义价值判断，而是把大模型放在一个更合适的位置上——帮忙拆概念、找边界、写草案、做迭代。模型不是裁判，模型更像一个很勤快的助理，负责把人脑里那团模糊想法整理成可以讨论的文本。
这条思路对后续研究也有启发：未来如果能把这种“概念审思”推广到多模态检索、个性化推荐、医学图像筛查，甚至企业内部的内容治理流程里，价值会更大。但前提依然是老问题：要有足够好的交互体验、可控的延迟、稳定的检索质量，以及对用户反馈的可靠吸收能力。否则，流程再聪明，也可能被卡在工程细节里。
龙迷三问 这篇论文到底解决什么问题？
“概念审思（concept deliberation）”是什么意思？
为什么强调“语义边界”而不是“概率边界”？
如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~
龙哥点评 论文创新性分数： ★★★★☆
把“概念审思”做成可交互框架，这个切口挺新，不是常规分类器套路。实验合理度： ★★★★☆
没有硬套静态基准，而是用真实用户会话评估，和问题本身匹配得比较好。学术研究价值： ★★★★☆
对主观概念建模、人机协作标注、提示词迭代都很有启发，研究味道足。稳定性： ★★★☆☆
流程清楚，但强依赖大模型、检索质量和交互节奏，离强鲁棒产品还有距离。适应性以及泛化能力： ★★★☆☆
对主观视觉概念很合适，但对定义明确、标签稳定的任务，收益未必明显。硬件需求及成本： ★★★☆☆
训练不重，但交互依赖云端大模型和检索服务，成本主要在推理与人工时间。复现难度： ★★★☆☆
思路可复现，但真实用户实验、数据与交互流程不算轻松，完整复现门槛不低。产品化成熟度： ★★★☆☆
在内容审核、图像筛选等半结构化场景有落地潜力，但需要更低延迟、更稳的反馈吸收机制。可能的问题： 真实会话成本高，样本量有限，且对大模型交互质量敏感；更像一套有希望的方法论，而不是即插即用的成品。
主要参考文献
[1] Wang et al. Agile Deliberation: Concept Deliberation for Subjective Visual Classification. arXiv, 2025. [2] 论文原文链接：https://arxiv.org/pdf/2512.10821.pdf [3] 相关实现与演示：论文未提供公开项目链接，本文仅依据原文与图示整理。 *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～ 想了解更多原文细节的小伙伴，可以点击 "阅读原文"， 查看更多原论文细节哦！
