bridging 模态隔离于交错思维中：通过逐步强化监督模态转换

交错思维让统一多模态模型在文本推理与视觉生成间交替，但在复杂长链场景中易出现“模态隔离”：生成图像偏离文本语境，后续文本亦忽视视觉证据。本文将该问题归因于模态边界处的信息累积丢失，提出模态转换损失以量化跨模态幻觉与视觉利用不足。为此，作者提出 MoTiF 框架，包含反思式 SFT 与 Flow-GRPO 两阶段训练，直接优化模态转换的保真度而非最终任务准确率。实验表明，该机制显著提升了跨模态一致性与任务表现。