GRIT：用梯度掩码处理文本密集推理中的视觉误定位

论文提出 GRIT，用视觉接地约束 RLVR 中的误定位推理。

资讯摘要

论文指出，在文本密集的视觉语言推理任务中，RLVR 效果受限的一个原因是模型常出现“答案正确但视觉误定位”的推理（CVMR），而仅奖励最终答案正确无法区分这类推理。作者通过 token 级分析发现，CVMR token 的注意力模式与正确接地 token 存在系统性差异，据此提出 GRIT 训练框架，将视觉接地纳入 RLVR，并构建 GRIT-Bench 基准。作者报告 GRIT 在推理准确率与接地保真度上均优于现有 RLVR 方法。

要点速读

1. 论文定义 Correct-but-Visually-Misgrounded Reasoning（CVMR）：模型中间步骤误读视觉信息却给出正确答案。
2. 作者发现 CVMR token 的注意力模式与正确接地 token 存在系统性差异，并提出将视觉接地纳入 RLVR 的 GRIT 框架。
3. 论文同时发布 GRIT-Bench，用于跨文本长度与推理深度评估文本密集推理；作者报告 GRIT 在准确率与接地保真度上优于现有 RLVR 方法。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。