多媒体验证不仅要求决策准确，还需要可追溯的证据、可靠的人类纠错以及安全的经验复用。现有系统缺乏对中间推理的显式修正机制，也难以防止有害的知识迁移。
我们提出 SEMV（Self-Evolving Multimedia Verification），一个自进化的多智能体框架。框架把带有来源信息的论证视为证据、推理、人类争议和记忆之间的接口。核心技术包括：
- Arena-based Quantitative Bipolar Argumentation (A-QBAF)：在论证竞技场中同时处理支持与反对关系，并对论点赋予量化可信度。
- 因果与范围修订（causal and scoped revision）：依据人类争议的因果链条，对受影响的论证子图进行有界修正，避免全局破坏。
- 验证门控记忆巩固（verification-gated memory consolidation）：仅在论证通过验证后将其写入长期记忆，并保留冲突痕迹以供后续审计。
在 COSMOS 基准上，SEMV 达到 91.88% 的准确率，优于最强基线的 89.10%。经过验证的记忆将负迁移率从 5.7% 降至 0.2%。在 CTR 基准（基于审稿人争议构建）上，范围因果修订纠正了 96.7% 的初始错误，同时节省 52.8% 的计算资源。MV2026 Grand Challenge 数据集进一步验证了证据驱动、时间一致的报告能力。
这些实验表明，SEMV 能在保留可追溯、可修订、可争议的知识的同时，通过验证经验实现自我进化。
点评