与你同看：面向多模态推理的感知-推理协同演化

带可验证奖励的强化学习（RLVR）已大幅提升了多模态大语言模型（MLLM）的推理能力。然而，现有 RLVR 方法通常依赖结果驱动的优化，仅基于最终答案的共享奖励同时更新感知与推理。这种共享奖励模糊了功劳分配，往往改进了推理模式，却未能可靠提升上游视觉证据抽取的准确率。为突破这一感知瓶颈，我们提出 PRCO（Perception-Reasoning Coevolution，感知-推理协同演化），一个共享策略的双角色 RLVR 框架。PRCO 由两个协作角色构成：Observer 生成贴合问题的证据描述（caption），Solver 基于该描述预测最终答案。关键在于，PRCO 采用角色专属的奖励信号：Solver 使用最终答案上可验证的结果奖励进行优化，而 Observer 则获得由 Solver 下游成功推导出的效用奖励。在八个具有挑战性的多模态推理基准上的大量实验表明，PRCO 在各模型规模上均带来一致提升，平均准确率较基座模型提高超过7个百分点，优于以往开源的 RL 调优基线。