Saliency-R1：通过显著性图对齐奖励实现可解释且忠实的多模态推理

视觉 - 语言模型（VLMs）虽表现优异，但常过度依赖文本线索而忽视视觉证据，导致回答缺乏依据。为此，本文提出 Saliency-R1 框架，旨在提升 VLM 推理的可解释性与忠实度。该方法引入一种新型显著性图技术，无需额外计算开销即可高亮关键图像区域，并追踪视觉信息在推理过程中的流动。利用显著性图与人工标注边界框的重叠作为奖励函数，结合组相对策略优化（GRPO）对齐关键区域，引导模型在推理时聚焦相关视觉内容。实验表明，该方法显著提升了推理的忠实度、可解释性及整体任务性能。