2026年10月26日，一篇题为《SAGE: Sense-Aligned Multimodal Grounding Evaluation with Gloss-Augmented Reasoning》的研究论文在arXiv平台发布（编号arXiv:2610.31838v1），正式提出Sense-Aligned Grounding Evaluation（SAGE）基准及Gloss-Augmented Reasoning（GAR）方法。
SAGE是一个统一的10候选图像选择评测基准，将原有VWSD（视觉词义消歧）、VerSe（动词接地）和WikiDiverse（实体多样性接地）三类任务重构为共享的术语中心协议，覆盖名词、动词与实体三类语义中心的多模态接地场景。其设计包含易混淆的难负样本，以及上下文交换版VerSe诊断任务，旨在检验模型对目标术语的深层语义接地能力，而非仅依赖字面图文匹配。
论文同时提出GAR——一种无需训练的推理框架，融合词义定义接地（definition grounding）与约束引导的语义验证（constraint-guided semantic verification）。在Gemma3-12B模型上的实验显示：定义增强可稳定提升全部三个子集性能；约束引导推理对VWSD和VerSe效果显著（尤其VerSe），但在WikiDiverse上增益有限；二者联合使用达成最优宏观平均性能，使Hits@1从65.90提升至71.22。
研究指出，强VWSD性能无法均匀迁移到其他接地设置，凸显了SAGE在统一评测与细粒度归因分析方面的必要性。所有结论均基于论文所报告实验结果，未引入外部数据或未声明的模型变体。