VLM物理推理奖励设计研究

2026年10月15日，arXiv Computer Vision 刊出 Derek Lilienthal 等作者的论文，对比视觉语言模型物理推理中的两类奖励设计。据该报道，外部奖励依赖外部验证器，包括规则化的格式与答案正确性检查，或 LLM-judge 评分标准；内部注意力奖励则由模型自身对图像区域的注意力计算得出，无需标签或评判器。报道称，外部奖励贡献了大部分准确率提升，对推理 token 给予奖励时推理更连贯；内部注意力奖励可改善空间关系推理，与外部奖励互补，并在 Molmo 2 上无需额外标注成本即提升平均准确率，且泛化到分布外任务。上述结论均来自该论文报道，尚无其他独立来源跟进。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。