fine-grained-visual-reasoning

提出Perceive-to-Reason（P2R）框架，通过两阶段流程和角色感知的强化学习策略，将视觉语言模型中的视觉感知与推理解耦，在细粒度视觉推理基准上达到最先进水平。

V-Zero 是一种新颖的无标签框架，用于细粒度视觉推理，它利用对比证据门控和在线策略蒸馏，无需标注答案标签即可提升性能，且训练速度远超传统方法。