注视推理：面向视觉语言模型的状态化、基于动作的视觉聚焦

视觉语言模型虽受益于高分辨率图像，但视觉令牌激增导致计算开销巨大。本文受人类注视机制启发，提出“注视推理器”，将注视与推理统一于单一自回归解码轨迹中。该模型从低分辨率视图起步，仅在必要时触发注视以获取局部高分辨率证据并注入当前上下文。通过两阶段训练（冷启动监督加强化学习），模型学会了有效的注视策略，在严格的视觉令牌预算下，显著提升了多个基准测试的任务准确率，避免了全图浏览的低效方案。