桥接交错思维中的模态隔离：通过逐步强化监督模态转换

交错思维，即统一的多模态模型在文本推理和视觉生成之间交替，在空间和物理任务上显示出了希望。然而，在复杂的长链场景中，我们确定了一种基本的失败模式：生成的图像与文本上下文相背离，而后续文本忽略了视觉证据，导致两种模式交替使用而没有真正相互通知。我们将这种现象称为模态隔离，并将其归因于模态边界处的复合信息丢失。我们将每个推理周期分解为原子操作，并定义模态转换损失，量化每个边界处的跨模态幻觉（文本到图像）和视觉利用缺陷（图像到文本）。我们提出了 MoTiF（Modality Tiransition Fidelity），这是一个直接优化这些转换的两阶段训练框架：反射 SFT 训练模型以检测错误的视觉输出并从中恢复； Flow-GRPO 通过强化学习提高图像生成保真度。 MoTiF 中的所有训练信号都源自转换级保真度，而不是最终任务的准确性。在四个视觉谜题基准中，这种过渡级监督极大地提高了跨模式一致性和最终任务准确性。结果表明，有效的交错推理需要在模态边界进行明确的结构监督，而不仅仅是缩放或最终任务优化。