论文发现多模态模型的主要瓶颈在感知而非推理
资讯摘要
论文研究多模态大模型在算法视觉谜题上的表现，指出感知而非推理才是限制因素：将图像替换为简单文字描述后，Claude 模型平均提升超过 20 分。作者用 GRPO 训练 Qwen-2.5-VL-7B，比较六种奖励设计，其中一种使模型产生带自我反思和视觉引用的长链推理，较基座模型提升 5.56 分，但收益不均衡，没有单一奖励能改善所有类别。
要点速读
- 论文称在算法视觉谜题上，感知是约束瓶颈；把图像换成文字描述后 Claude 模型平均提升超 20 分
- 用 GRPO 训练 Qwen-2.5-VL-7B，六种奖励设计中的一种带来 5.56 分提升，并诱导出结构化长推理
- 收益不均衡：没有单一奖励改善所有类别，可验证准确率信号会以跨域迁移换取域内精度
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 2026/11/4 08:00:28（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。