以结构化接地思考：面向图表与视觉表格理解的感知强化学习

能够用图像思考的多模态大语言模型（MLLM）常常依赖外部工具完成细粒度感知。然而这种依赖带来显著的推理延迟，并且无法有效弥合空间结构鸿沟——这是文本密集且结构关系型视觉（如图表与视觉表格）中的根本挑战，其中严格的相对空间排布绑定了文本元素。在没有外部工具的情况下，标准MLLM难以胜任此类细粒度视觉推理任务。为解决这些问题，我们提出TwSG（Think with Structured Grounding），一种新颖的细粒度图像感知框架，旨在把复杂图像上的工具使用能力内化到模型之中。TwSG将多步推理与微裁剪（micro-cropping）的收益蒸馏到推理时的单次高效前向传播中。具体而言，我们用MLLM在真值答案引导下识别关键区域，然后提示教师模型生成高质量的视觉问答（VQA）数据。这些细粒度的、基于区域的监督信号随后被蒸馏回全图表示。我们的训练流程分两个阶段：(1) 使用带焦点区域描述的多轮数据进行冷启动监督微调（SFT），以培养复杂推理与错误恢复能力；(2) 由新颖过程奖励机制TL-GRPO驱动的强化微调（RFT）阶段，鼓励策略性推理。跨多种MLLM架构的大量实验表明，TwSG降低了推理延迟，同时大幅提升准确率与鲁棒性，赋予模型原生的细粒度区域描述与灵活推理能力。