是看得不好还是想得不对？为视觉语言推理奖励感知

实现鲁棒的感知 - 推理协同是先进视觉语言模型（VLM）的核心目标。现有方法常受限于静态文本推理或外部代理的复杂性，导致性能提升不成比例。本文指出根本瓶颈在于模态信用分配的模糊性：无法区分失败源于感知错误还是逻辑缺陷。为此，我们提出一种强化学习框架，通过将生成过程分解为交错的感知与推理步骤，并引入“盲推理”代理进行感知验证，独立奖励感知保真度。结合结构化语言验证算法，该机制能精准定位错误源，显著提升 VLM 在广泛任务中的综合表现。