锚定关键要素：面向视觉定位多模态推理的双层学习框架
英文标题：Anchoring What Matters: A Dual-Level Learning Framework for Visually-Grounded Multimodal Reasoning
本研究提出了名为“Anchoring What Matters”的双层学习框架，旨在攻坚大型视觉语言模型（LVLM）在视觉定位多模态推理中的核心瓶颈。研究指出，虽然基于可验证奖励的强化学习（RLVR）显著提升了多模态推理表现，但传统同策略（on-policy）RLVR 算法在保留与对齐视觉线索方面面临严重的优化瓶颈。该框架通过分层协同机制增强推理轨迹与视觉锚点的融合，为解决复杂多模态推理与视觉幻觉提供了新范式。这对开发者构建高精度多模态 Agent、推进视觉链式思考（Multimodal CoT）与具身智能任务具有重要参考价值。
打开原文相关 4 · 机会 0
2.1 KB
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
arXiv:2609.18057v1 [发布类型：新论文]
摘要
带有可验证奖励的强化学习（RLVR）显著提升了大型视觉语言模型（LVLM）的推理能力。然而，标准的同策略（on-policy）RLVR 算法在保留和保持视觉对齐方面面临着严峻的优化瓶颈……
BibTeX 格式引用
English / 原文
BibTeX formatted citation
×