看得更远，思考得更深入：通过低级视觉提示和反思提高 VLM 的推理能力

视觉语言模型 (VLM) 的最新进展受益于增强推理的强化学习 (RL)。然而，现有方法仍然面临严重的局限性，包括缺乏低级视觉信息和有效的视觉反馈。为了解决这些问题，本文提出了一个统一的多模态交错推理框架\textbf{ForeSight}，该框架使VLM能够通过低级视觉提示进行\textbf{See Fury}，并通过有效的视觉反馈进行\textbf{Think Deeper}。首先，它引入了一套低级视觉工具，将必要的视觉信息整合到推理链中，减轻对细粒度视觉特征的忽视。其次，详细阐述了基于掩模的视觉反馈机制，将视觉反射纳入思维过程，使模型能够动态地重新检查和更新其答案。在强化学习的驱动下，ForeSight 学会自主决定工具调用和答案验证，并以最终答案的准确性作为奖励信号。为了评估所提出框架的性能，我们基于 SalBench 数据集构建了一个新的数据集：Character and Grounding SalBench (CG-SalBench)。实验结果表明，ForeSight-7B模型显着优于相同参数规模的其他模型，甚至在某些指标上超越了当前的SOTA闭源模型。