从看到想：解耦感知与推理提升视觉 - 语言模型的后训练效果

近期视觉 - 语言模型（VLM）强调长思维链推理，但本文发现其性能瓶颈主要在于视觉感知而非推理本身。研究通过将能力分解为视觉感知、视觉推理和文本推理三个阶段，系统探讨了感知与推理的相互作用。实验表明，视觉感知需专用数据优化，且作为基础支架应在推理细化前巩固；强化学习比基于标题的监督微调更有效。该方法在多个 VLM 上验证，不仅提升了感知与推理性能，还以缩短 20.8% 的推理轨迹实现了 1.5% 的准确率提升，证明优质感知可减少过度推理需求。