视力不好还是思想不好？奖励视觉语言推理的感知

实现稳健的感知-推理协同是先进视觉语言模型（VLM）的核心目标。近期进展通过架构设计或智能体工作流追求这一目标。然而，这些方法要么受限于静态文本推理，要么因外部智能体复杂性带来的巨大计算与工程负担而变得复杂。更糟的是，这种巨额投入并未带来成比例的收益，感知与推理之间常出现“跷跷板效应”。这促使我们对真正的瓶颈进行根本性反思。在本文中，我们认为这种权衡的根本原因在于模态贡献归因的模糊性：当VLM失败时，究竟是感知缺陷（“看错”）还是逻辑缺陷（“想错”）？为解决这一问题，我们引入一个强化学习框架，通过可靠地奖励感知保真度来改善感知-推理协同。我们显式地将生成过程分解为交替的感知与推理步骤。这种解耦使对感知的针对性监督成为可能。至关重要的是，我们引入感知验证（Perception Verification，PV），利用“蒙眼推理”代理来独立于推理结果地奖励感知保真度。此外，为了在自由形式的视觉语言（VL）任务上扩展训练，我们提出结构化言语验证（Structured Verbal Verification），用结构化算法执行取代高方差的LLM评判。这些技术被整合进模态感知贡献归因（MoCA）机制，将奖励路由到具体的错误来源——要么是看错，要么是想错——使单一VLM能在广泛任务范围内同时取得性能提升。