看得更远，想得更深：利用低级视觉线索与反思提升视觉语言模型的推理能力

近期视觉语言模型（VLM）虽借助强化学习提升了推理能力，但仍面临缺乏低级视觉信息及有效视觉反馈的局限。为此，本文提出统一的多模态交错推理框架 ForeSight，旨在通过低级视觉线索让模型“看得更远”，并利用有效的视觉反馈使其“想得更深”。该框架首先引入低级视觉工具，将关键视觉信息融入推理链，缓解对细粒度特征的忽视；其次，设计基于掩码的视觉反馈机制，将视觉反思纳入思维过程，使模型能动态重审并更新答案。在强化学习驱动下，ForeSight 学会自主决定工具调用与答案验证。实验表明，ForeSight-7B 在同参数量模型中表现显著优异，部分指标甚至超越当前最先进的闭源模型。