マルチモーダルGEOで画像証拠をどう測るか

最終回答の正誤だけでは、AIが対象画像を実際に使ったか分かりません。偶然正答する場合も、別商品や旧版の画像を引用する場合もあります。

WeAgent-MMSearchは三段階の指標を提案します。Image Citeはツール取得画像を回答が引用したか、Target Matchは引用画像が対象と一致するか、Match+Accは正しい対象を取得した後に回答も正しいかを測ります。

視覚証拠シート

各質問に、端子、包装表示、店舗入口、図表数値など検証可能な対象を定義します。

| 段階 | 確認事項 | 記録項目 |

| --- | --- | --- |

| 画像引用 | 取得画像を明示的に使用したか | 画像URL、出典ページ、回答画面 |

| 対象一致 | 正しい実体・版か | 型番、市場、日付、資産ID |

| 一致後正答 | 正しい画像を正しく解釈したか | 主張、証拠領域、人手判定 |

論文の150問ベンチマークでは、RL版の画像引用率は20.67%。引用回答内の対象一致率は87.10%、一致後正答率は77.78%でした。条件付き比率であり、商用プラットフォームの固定成功率ではありません。各段階で損失が起こることを示します。

対象一致率の分母は画像引用回答、一致後正答率の分母は対象一致回答です。後段だけ示すと、全体の画像利用が少ない事実を隠します。標本数、無引用数、モデル、日付、質問の言い換えも報告します。

GEO Radar（https://www.georadar.top）は固定質問セットとプラットフォーム横断の可視性観測を支援します。この三段階表は人手監査の補助であり、画像推薦や正答を保証しません。

この記事の情報源

• arXiv、2026年8月28日、*WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents*：https://arxiv.org/abs/2608.28062