Fine-R1：通过思维链推理使多模态大模型在细粒度视觉识别中表现出色

针对多模态大模型在细粒度视觉识别（FGVR）任务中表现不佳且依赖大量标注数据的问题，本文提出 Fine-R1 模型。该方法采用 R1 风格训练框架：首先利用包含视觉分析、候选比较等理由的高质量思维链数据进行监督微调；其次引入三元组增强策略优化，通过类内混合提升鲁棒性，类间区分增强判别力。实验表明，仅需 4 样本训练，Fine-R1 在可见与未见子类别识别上均超越现有通用模型及专用 CLIP 模型。