基于视觉接地的思维

本文提出“视觉接地思维”，要求模型在生成自然语言推理轨迹时，显式关联对应的图像区域（点或框）。为解决监督难题，作者构建了可扩展的合成流水线，利用 SAM3 代理提取并接地视觉对象，并结合答案正确性与密集接地奖励进行强化学习训练。实验表明，该方法在计数和空间推理任务上显著优于基线，甚至使 4B 模型媲美同系列 27B 模型，证明将中间思维与图像证据绑定能有效提升 VLM 的推理能力。