论文详情 - VBVR-Pro：面向原生视觉推理的可扩展可验证工具套件

来源：https://huggingface.co/papers/2608.26105 发布于 8 月 26 日

#3 当日热门论文 (https://huggingface.co/papers/date/2026-08-27) 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

VBVR-Pro 引入了一个闭环测试平台，通过在多种视觉基质上进行生成，实现可扩展、可验证且可控的原生视觉推理。

原生视觉推理 (https://huggingface.co/papers?q=Native%20visual%20reasoning) 将视觉生成 (https://huggingface.co/papers?q=visual%20generation) 视为推理本身的媒介：视觉状态（即图像和视频）不仅仅是需要理解的输入或需要渲染的输出，而是作为超越语言的、用于问题解决的一等基质。然而，由于缺乏可扩展的训练任务、可靠的反馈以及跨生成基质的可控比较，相关进展仍受瓶颈限制。在这项工作中，我们介绍了 VBVR-Pro，一个使生成式的原生视觉推理 (https://huggingface.co/papers?q=native%20visual%20reasoning) 可训练、可验证、可优化且在实验上可控的闭环测试平台。1) 任务扩展。VBVR-Pro 将视觉推理转化为包含 300 个程序化生成任务的可控任务空间。在 VBVR-Pro 上训练的模型在包括 RISE-Video、MME-CoF-Pro 和 BabyVision 在内的七个外部视觉推理基准测试中，展现出强大的跨套件迁移能力。2) 可验证奖励。VBVR-Pro 提供用于任务基础评估的可验证奖励评分器 (https://huggingface.co/papers?q=verifiable%20reward%20scorers)。通过对主流多模态大语言模型 (https://huggingface.co/papers?q=MLLMs) 作为评判者的系统研究，我们识别了当前流行的 VLM-as-a-judge (https://huggingface.co/papers?q=VLM-as-a-judge) 范式中反复出现的失败模式。相比之下，所提出的评分器基于确定性的、特定任务的规则实现，并与人类判断达到细粒度对齐。重要的是，它们作为大规模多任务强化学习 (https://huggingface.co/papers?q=multi-task%20reinforcement%20learning) 的可靠奖励信号，并在视觉推理任务上展现出更强的强化学习后性能。3) 机制研究。VBVR-Pro 支持跨超过 30 个图像、视频和交错生成器的受控模态研究。我们的分析表明，视频生成在需要持续时空状态跟踪的任务中仍然最强，而交错生成 (https://huggingface.co/papers?q=interleaved%20generation) 则提供了一种计算高效的替代方案。至关重要的是，消融实验和探测表明存在对视觉推理至关重要的视觉原生轨迹 (https://huggingface.co/papers?q=vision-native%20trajectories)。我们公开所有数据、模型、评分器和代码。

查看 arXiv 页面 (https://arxiv.org/abs/2608.26105) 查看 PDF (https://arxiv.org/pdf/2608.26105) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.26105)

通过您的代理获取此论文：

hf papers read 2608\.26105

没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型 0

无模型链接到此论文

在模型 README.md 中引用 arxiv.org/abs/2608.26105 以从此页面链接它。

引用本文的数据集 0

无数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.26105 以从此页面链接它。

引用本文的 Spaces 0

无 Space 链接到此论文

在 Space README.md 中引用 arxiv.org/abs/2608.26105 以从此页面链接它。

包含本文的收藏 1