论文页面 - 思忖越多，准确度越低？论视觉语言模型中推理的双重属性

来源：https://huggingface.co/papers/2509.25848 发布于 2025 年 9 月 30 日

摘要

VAPO-Thinker-7B 通过将推理过程锚定到视觉信息来增强多模态推理，从而在保持逻辑推断能力的同时提升视觉任务表现。

推理已成为大语言模型（LLMs）的一项关键能力。通过强化学习（Reinforcement Learning，https://huggingface.co/papers?q=Reinforcement%20Learning），通常是组相对策略优化（GRPO），这些模型能够解决数学和代码生成等复杂任务。基于这些进展，近期研究致力于将推理能力扩展到视觉语言模型（Vision-Language Models，https://huggingface.co/papers?q=Vision-Language%20Models）（VLMs），并在各类视觉任务中取得了令人鼓舞的结果。然而，我们的研究揭示了多模态推理（multimodal reasoning，https://huggingface.co/papers?q=multimodal%20reasoning）的双重属性：尽管它显著增强了逻辑推理（logical inference，https://huggingface.co/papers?q=logical%20inference）并有助于解决难题，但也可能逐渐损害感知接地（perceptual grounding，https://huggingface.co/papers?q=perceptual%20grounding），导致在原本简单的视觉问题上出现识别失败。通过进一步分析，我们将这一现象归因于视觉遗忘（visual forgetting，https://huggingface.co/papers?q=visual%20forgetting），即长时间的推理使得模型逐渐忽视视觉输入。为解决这一问题，我们提出了视觉锚定策略优化（Vision-Anchored Policy Optimization，https://huggingface.co/papers?q=Vision-Anchored%20Policy%20Optimization）（VAPO），一种简单而有效的方法，显式地将推理过程导向视觉接地轨迹。我们的结果模型 VAPO-Thinker-7B 显著增强了模型对视觉信息的依赖，并在广泛的主流基准测试中取得了新的最优结果。项目页面：https://xytian1008.github.io/VAPO/

查看 arXiv 页面 (https://arxiv.org/abs/2509.25848)查看 PDF (https://arxiv.org/pdf/2509.25848)项目页面 (https://xytian1008.github.io/VAPO/)GitHub344 (https://github.com/xytian1008/VAPO)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2509.25848)

在你的代理中获取该论文：

hf papers read 2509.25848

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

引用该论文的模型0

没有模型链接到该论文

在模型 README.md 中引用 arxiv.org/abs/2509.25848 以从该页面链接。

引用该论文的数据集0

没有数据集链接到该论文

在数据集 README.md 中引用 arxiv.org/abs/2509.25848 以从该页面链接。

引用该论文的 Spaces0

没有 Space 链接到该论文

在 Space README.md 中引用 arxiv.org/abs/2509.25848 以从该页面链接。

包含该论文的收藏集7

浏览包含该论文的 7 个收藏集 (https://huggingface.co/collections?paper=2509.25848)