长链多模态推理中传播感知的视觉保留反射锚点

长链思维推理提升了大型视觉语言模型性能，但生成过程中视觉信息易衰减，限制了长程多模态推理。现有方法依赖启发式感知进行干预，缺乏原则性增益分析。本文从信息论角度出发，推导单步干预的下界，提出反射锚点策略优化（RAPO）。该方法基于 GRPO 选择高熵反射锚点，并优化链掩码有限窗口 KL 代理以增强下游视觉依赖性。实验表明，RAPO 在多个基准测试中显著优于强基线，机制分析证实了其能 enrich 视觉敏感决策点并增强对比性视觉依赖信号。