Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs¶

会议: ECCV2026
论文: ECCV 原文
领域: 多模态VLM
关键词: 消化内镜诊断 / 多模态大模型 / 临床认知对齐 / 反事实强化学习 / GRPO

一句话总结¶

针对消化内镜诊断中多模态大模型"推理不遵循专家认知流程、诊断被背景伪相关带偏"这两个问题，本文先用 Gemini 3 Pro 生成、专家复核出带"解剖定位→形态评估→微细节分析"三段推理链的数据集做 SFT，再从理论上证明标准监督微调必然收敛到背景捷径，最后用"掩膜生成反事实正常样本 + 临床认知中心奖励"的 GRPO 做因果矫正，在五个内镜基准上平均准确率 67.67%，比 Qwen3-VL-Plus 高约 26 个百分点。

研究背景与动机¶

消化系统恶性肿瘤占全球癌症负担的很大一部分，内镜筛查是早发现、早干预的金标准。但内镜检查质量高度依赖操作者经验，观察者之间差异明显，于是计算机辅助诊断被当作降低漏诊率的关键支撑。过去十年这个方向由判别式深度学习主导：CNN 与 ViT 在息肉检测、解剖标志识别、溃疡分类等单点任务上已经做到专家级精度。问题在于这类模型本质上是闭集分类器——只吐出一个类别标签，不提供任何诊断依据。依据缺失意味着结果无法被临床医生复核，在高风险医疗场景里直接损害可信度。

多模态大模型（MLLM）把视觉编码器的感知能力和 LLM 的知识与推理接在一起，能同时产出视觉描述和结论，理论上可以模仿内镜医师的工作流。但把通用 MLLM 直接搬到消化内镜上有两个具体障碍。第一是临床认知错位：内镜医师的诊断遵循严格的分层流程——先定位解剖部位，再评估宏观形态（形状、隆起高度、大小、颜色、边界），再分析微细节（绒毛/腺管等表面构型与微血管构型），最后才给出结论；而通用 MLLM 的推理是散乱的，会跳过关键分析步骤，甚至凭空编造图像里没有的特征。原文给了一个很有说明力的失败案例：Gemini 3 Pro 面对一张黏膜下肿瘤（SMT）图像，被"这是胶囊内镜"这一环境线索牵着走，输出的诊断建立在胶囊模态的上下文上，而不是真正的病灶特征上。第二是视觉特征与诊断结论之间缺乏因果关联：模型对背景中的伪相关很敏感（器械反光、泡沫、胆汁残留），学到的往往是最省力的环境线索，而不是病变本身。这两点叠加，使得模型在真实临床环境里非常脆弱。

已有的医学多模态工作（通用医学 VQA 模型、内镜报告生成模型）大多把内镜分析处理成一个标准的图像描述问题：训练信号只有图文对，模型学到的是捷径特征而非临床逻辑。本文的做法是分两步把这个缺口补上：先把专家诊断逻辑本身做成数据与监督信号，让模型"会按流程看"；再指出这种监督在统计上必然滑向背景捷径，并用一个可构造的反事实惩罚把它拉回病灶。核心 idea：用三段式临床认知链的数据集加 SFT 把专家的分层诊断流程内化成生成范式，再通过"抹掉病灶、保留背景"的反事实正常样本与格式/认知/诊断三项奖励做 GRPO，强制模型把结论只挂在病灶特征上。

方法详解¶

整体框架¶

输入是一张内镜图像加上一句诊断指令，输出既要给出正确诊断，也要给出一条符合临床标准的推理链。CogAlign 用两个串行阶段实现这种"双重对齐"：先对齐推理过程，再对齐因果依据。第一阶段构造分层临床认知数据集——每张图配一条"解剖定位 → 形态评估 → 微细节分析 → 诊断结论"的推理链，用 SFT 把这条链的生成范式写进模型；此时模型会按流程说话，但仍可能只看背景。第二阶段先给出一个形式化分析，说明为什么标准 SFT 的梯度会优先吃掉背景伪特征，然后据此设计反事实驱动的 GRPO：把病灶区域掩膜后高斯模糊、配"正常"标签造出反事实样本，再用格式、临床认知、诊断一致性三项奖励做组内相对优化，凡是靠背景答题的生成都会被惩罚。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["内镜图像 + 诊断指令"] --> B["分层临床认知数据集<br/>三段式推理链"]
    B --> C["认知链内化的 SFT"]
    C --> D["视觉捷径的形式化<br/>与反事实惩罚"]
    D -->|"λ→∞ 迫使敏感度归零"| E["反事实驱动 GRPO<br/>掩膜合成正常样本<br/>三项临床认知奖励"]
    E --> F["结构化认知链<br/>+ 最终诊断"]

关键设计¶

1. 分层临床认知数据集：把专家的三段式流程固化成可监督的推理链

公开的内镜数据集基本只有图像-标签对，缺少诊断所需的中间推理步骤；在这种数据上训练，模型只会去拟合捷径特征而不是临床逻辑。本文先定义了一套来自专家工作流的标注协议，强制一条由粗到细的推理路径，包含三个固定阶段：解剖定位（识别器官部位、记录成像条件，提供空间上下文）、形态评估（病灶形状、隆起高度、大小、颜色、边界等宏观特征）、微细节分析（绒毛状结构等细粒度表面构型与血管构型），三段之后才是最终诊断。大规模人工标注推理链代价过高，因此采用半自动流水线：先从五个公开库聚合图像并做质量与多样性过滤；再用 Gemini 3 Pro 作教师模型，用显式写出三段层级结构的提示词为每张图生成结构化推理描述；最后是人在回路精修——专家逐条复核，通过的自动入库，含事实错误的退回人工修订。最终语料 24,515 条（CrohnIPI、GastroVision、HyperKvasir、Kvasir-Capsule、The SEE-AI Project 五个来源），按分层切分 19,736 训练 / 4,779 测试，覆盖 23 个单标签类别与 49 种多标签病理组合，记作 \(\mathcal{D}=\{(x_i,q_i,r_i,l_i)\}_{i=1}^{N}\)。这套数据的关键不在规模，而在于它把"专家怎么看"从一个隐含的先验变成了可以逐 token 监督的目标序列。

2. 认知链内化的 SFT：让诊断结论成为前三段分析的后果

有了推理链数据，本文用最直接的方式约束生成流形：把推理链 \(r\) 与诊断标签 \(l\) 拼成目标序列 \(y=r\oplus l\)，对整条序列做自回归的负对数似然优化，训练时图像经视觉编码器投影进 LLM 的嵌入空间，损失覆盖推理步骤和结论的每一个 token。这样做的效果不是"多输出一段解释"这么简单，而是在统计上强制了一个依赖结构：诊断标签出现在序列末尾，它的条件概率里已经包含了前面的形态描述与微细节描述，于是标签变成前序分析的条件后果，而不是从视觉特征直接跳过去的黑箱分类。这恰好对应通用 MLLM 的认知错位——它们不是不会描述，而是描述和结论之间没有因果链，随时可以跳过中间步骤直接报答案；SFT 把中间步骤和结论绑在同一条被监督的序列里，跳步的生成方式在训练分布上就被抑制了。

3. 视觉捷径的形式化与反事实惩罚：说清"为什么只做 SFT 不够"

SFT 会按流程说话，但说话的依据不一定对。本文给了一个简化但不空泛的形式化：把图像看成由因果潜因子 \(Z_c\)（病灶）与伪相关潜因子 \(Z_e\)（背景、器械、气泡、黏膜反光）共同生成，模型输出是特征的 logistic 函数，并定义有效特征敏感度为输出对该因子的雅可比范数

\[ S_i=\left\|\nabla_{Z_i} f_\theta(Z_c,Z_e)\right\|_2, \]

用来衡量模型到底有多依赖某个因子。在这个框架下可以证明（Theorem 1）：当伪特征比因果特征更"简单"时，梯度下降解出的权重满足 \(\|w_e\|>\|w_c\|\)，即 \(S_e>S_c\)——依据是 simplicity bias，低复杂度特征对应的特征映射谱范数更大、在训练早期收敛更快，而当预测误差趋于零后优化就停滞了，此时因果特征的权重还没有学充分。也就是说，只用图文对做监督微调，模型在数学上就是会先学会看背景。作者进一步证明（Theorem 2）：若引入反事实惩罚 \(R_{cf}=\mathbb{E}\left[f(\Psi(0,Z_e))^2\right]\)，即把因果因子置零、只保留背景后仍然产生的预测，并在总目标 \(J=L+\lambda R_{cf}\) 中让 \(\lambda\to\infty\)，则最优解必须满足 \(f(x_{cf})\to 0\)，伪因子的敏感度 \(S_e\to 0\)；此时为了继续降低原样本上的损失，梯度只能转向因果特征 \(w_c\)。这段分析的价值在于它把"模型看背景"从一个经验抱怨变成了一个可操作的处方：不需要更多数据，只需要构造一个"背景不变、病灶消失"的输入，并惩罚它上面的预测。

4. 反事实驱动的 GRPO：掩膜造正常样本，用三项临床认知奖励做因果矫正

第二阶段把上面的处方落地。反事实正常样本合成：先由 MLLM 给出病灶初始框、专家精修得到精确掩膜 \(M\)，对 \(M\) 内做高强度高斯平滑得到 \(x_{cf}\)，再给它配上"正常"标签与阴性推理链。这个样本的构造方式是关键——背景原封不动，只抹掉病灶，于是它天然构成一个对照：如果模型仍然根据背景报出病理诊断，说明它的结论没有落在病灶上，应当被重罚。用高斯模糊而非纯白遮挡是刻意的选择：纯白掩膜会引入锐利的人工边界和分布外信号，让强化学习的优化不稳定，而高斯模糊在抹掉诊断证据的同时保持了视觉纹理的自然性，模型能更干净地隔离出病灶表征。三项奖励：格式奖励 \(R_{fmt}\) 是 all-or-nothing 的全或无约束——输出必须依次覆盖 (1) 位置与成像环境、(2) 黏膜形态与局灶病变、(3) 表面纹理与微血管构型三个小节，缺任意一节即得 0，否则得 1，这把结构完整性变成硬约束；临床认知奖励 \(R_{cog}\) 针对语义精度，对每条真值推理链预先用 LLM 抽出每个认知小节各 3 个关键特征词、共 9 个，训练时直接检查这些词是否出现在生成文本中

\[ R_{cog}(\mathbf{y},K_{gt})=\frac{1}{9}\sum_{k\in K_{gt}}\mathbb{I}(k\in\mathbf{y}), \]

它的作用是把"中间推理"从可以含糊其辞的旁白变成必须点到具体征象的中间监督，否则模型会退化成一堆缺乏视觉依据的笼统描述；诊断一致性奖励 \(R_{diag}\) 则解析生成文本末尾的结论，与真值标签一致得 1 否则 0，保证推理链最终收口到正确判断——消融显示去掉它之后模型会沉迷于写描述、偶尔忘了从自己的分析里得出结论。三项奖励按 1.0 / 1.0 / 2.0 加权求和作为总奖励，再用 GRPO 在组内做相对优势归一化后优化。值得注意的是反事实样本在这一步并不是额外加一个损失项，而是作为普通训练样本进入同一个奖励体系：在 \(x_{cf}\) 上，正确的行为是输出阴性推理链并给出"正常"，靠背景答题的模型会在这里拿到 0 的诊断奖励——形式上等价于理论里的 \(R_{cf}\)，实现上却只是一批多造出来的数据。

一个示例：一次 GRPO 采样内部的奖励计算¶

以一张胃窦白光图像为例（真值标签 Erosion，图像被大量泡沫状胆汁染色黏液遮挡）。对同一个 query 采样 \(G=8\) 条输出，取其中三条：

输出 A：三个小节标题齐全 → \(R_{fmt}=1\)；命中 9 个关键特征词中的 5 个 → \(R_{cog}=5/9\approx0.56\)；结论 Erosion 正确 → \(R_{diag}=1\)。总奖励 \(r=1+0.56+2\times1=3.56\)。
输出 B：只写了两节（缺"表面纹理与微血管构型"）→ \(R_{fmt}=0\)；命中 4 个 → \(0.44\)；结论正确 → 1。总奖励 \(r=0+0.44+2=2.44\)。结构与语义两项同时被惩罚。
输出 C：三节齐全、但只看泡沫说"黏膜表面平整、未见异常"→ \(R_{fmt}=1\)；命中 2 个 → \(0.22\)；结论 Normal → 0。总奖励 \(r=1+0.22+0=1.22\)。

三条输出在组内算出均值与标准差后归一化得到优势 \(\hat{A}_i\)，C 这种"格式漂亮但被背景带偏"的样本被压到最低。与此同时，同一张图经过病灶掩膜与高斯模糊后的反事实样本（标签为正常）也在同一批训练里，模型若在它上面仍然报 Erosion，诊断奖励同样为 0——这正是第二阶段与第一阶段的分界点：前者教会模型按流程说话，后者逼它把话说在病灶上。

损失函数 / 训练策略¶

第一阶段是标准的自回归负对数似然，\(y_i=r_i\oplus l_i\)、\(L_i\) 为序列长度：

\[ \mathcal{L}_{SFT}(\theta)=-\frac{1}{N}\sum_{i=1}^{N}\sum_{t=1}^{L_i}\log P(y_{i,t}\mid x_i,q_i,y_{i,<t};\theta). \]

第二阶段在每个 query 上采样 \(G\) 条输出 \(\{y_1,\dots,y_G\}\)，先算总奖励 \(r_i=R_{fmt}(y_i)+\lambda_1 R_{cog}(y_i)+\lambda_2 R_{diag}(y_i)\)，再在组内标准化得到优势 \(\hat{A}_i=(r_i-\mu_r)/(\sigma_r+\epsilon)\)，最后优化带 KL 惩罚的裁剪代理目标（\(\rho_i=\pi_\theta(y_i|q)/\pi_{\theta_{old}}(y_i|q)\)，\(\beta\) 控制偏离参考模型 \(\pi_{ref}\) 的代价）：

\[ \mathcal{J}_{GRPO}(\theta)=\mathbb{E}_{q\sim D}\left[\frac{1}{G}\sum_{i=1}^{G}\min\big(\rho_i\hat{A}_i,\ \mathrm{clip}(\rho_i,1-\epsilon,1+\epsilon)\hat{A}_i\big)-\beta D_{KL}(\pi_\theta\|\pi_{ref})\right]. \]

⚠️ 上述两式为按原文文字描述还原的标准形式（缓存中公式 (2) 与 (15) 存在排版乱码），以原文为准。

实现上使用 SWIFT 框架、8 张 NVIDIA L20。第一阶段 SFT 训练 400 步，AdamW 优化器、学习率 \(1\times10^{-4}\)、余弦调度、全局 batch size 128；视觉编码器与 aligner 冻结，仅在全部线性模块上加 LoRA（rank 16、\(\alpha=32\)），序列长度上限 2048。第二阶段 GRPO 训练 200 步，延续 LoRA 优化，全局 batch size 256、学习率降到 \(1\times10^{-6}\)，KL 惩罚系数 \(\beta=0.04\)；每个 query 采样 \(G=8\) 条生成，格式、临床认知、诊断一致性三项奖励权重分别为 1.0、1.0、2.0。两个阶段都是轻量适配——可训练参数只有 LoRA 部分，这也是 2B/4B/8B 三档模型都能跑完整流程的原因。

实验关键数据¶

主实验¶

测试集共 4,779 张内镜图像，来自 CrohnIPI (CI.)、GastroVision (GV.)、HyperKvasir (HK.)、Kvasir-Capsule (KC.)、The SEE-AI Project (SA.) 五个基准，指标为准确率。其中 SEE-AI 的难度明显更高，含 235 个多标签样本；多标签采用严格判定，必须完全匹配整组真值病理才算正确。

模型	CI.	GV.	HK.	KC.	SA.	平均
Gemini 3 Pro	30.58%	44.73%	44.40%	21.83%	19.20%	24.82%
GPT-5.2	6.80%	18.80%	33.20%	5.32%	8.32%	11.13%
Qwen3-VL-Plus	52.91%	64.10%	72.78%	34.72%	33.63%	41.16%
Hulu-Med-7B（医学专模）	19.42%	13.39%	9.46%	10.86%	6.22%	8.58%
Qwen3-VL-8B	39.32%	47.01%	67.57%	30.14%	29.22%	35.30%
Qwen3-VL-8B (SFT)	62.14%	76.92%	89.38%	72.74%	58.77%	66.31%
CogAlign-2B	50.00%	73.79%	89.77%	53.99%	50.96%	57.40%
CogAlign-4B	59.22%	76.35%	89.19%	66.77%	57.22%	64.05%
CogAlign-8B	63.11%	77.21%	91.51%	74.01%	60.18%	67.67%

消融实验¶

奖励项的消融在原文中只以 Fig. 6 的曲线给出（缓存无法读出具体数值），因此下表把能从表 1 与表 2 直接对上的两级增益与奖励移除的定性结论放在一起：

配置	平均准确率	说明
Qwen3-VL-8B（未训练）	35.30%	通用基座，多模态能力已有但无内镜认知
+ 临床认知对齐 SFT	66.31%	仅结构与推理链监督，+31.01
+ 反事实驱动 GRPO（CogAlign-8B）	67.67%	完整模型，再 +1.36
w/o 临床认知奖励 \(R_{cog}\)	见 Fig. 6，明显下降（⚠️ 无具体数值）	中间推理退化为缺乏视觉-病理依据的笼统描述
w/o 诊断一致性奖励 \(R_{diag}\)	见 Fig. 6，显著下降（⚠️ 无具体数值）	模型专注生成描述，偶尔不给出正确结论

单标签与多标签的拆分（同一批模型、同一测试集）：

模型	单标签	多标签	平均
Qwen3-VL-Plus	42.76%	10.21%	41.16%
Qwen3-VL-8B	36.77%	6.81%	35.30%
Qwen3-VL-8B (SFT)	69.19%	10.64%	66.31%
Hulu-Med-7B	9.02%	0.00%	8.58%
CogAlign-2B	59.93%	8.09%	57.38%
CogAlign-4B	66.81%	10.64%	64.05%
CogAlign-8B	70.47%	13.62%	67.67%

关键发现¶

增益主体来自数据集与 SFT，反事实 RL 是"矫正量"而非涨点主力：8B 上从 35.30% 到 66.31% 的 +31.01 全部由认知链监督贡献，GRPO 阶段只再涨 1.36。但换个角度看，RL 阶段对小模型更划算——2B 涨 2.91（54.49→57.40）、4B 涨 2.07（61.98→64.05）、8B 涨 1.36，模型越小越依赖第二阶段的因果矫正，这与"小模型更容易吃背景捷径"的直觉一致。
多标签诊断是所有模型的短板，也是提升最明显的地方：通用大模型在这个子集上几乎失效（Gemini 3 Pro 0.85%、GPT-5 系列 0.43%~2.55%），医学专模 Hulu-Med-7B 直接 0.00%，Qwen3-VL-8B 为 6.81%；CogAlign-8B 达到 13.62%。作者把原因归到推理链迫使模型逐段扫查黏膜表面，而不是盯着单个显著特征。但 13.62% 与单标签 70.47% 之间仍有近 57 个百分点的鸿沟，说明并发病理识别远未解决。
医学专模并不天然占优：Hulu-Med-4B/7B 平均只有 7.72%/8.58%，甚至低于同规模通用模型。作者的解释是它们的训练目标是通用医学视觉问答，缺乏内镜所需的细粒度识别能力——"医学领域"和"内镜专科"并不是同一件事。
数据集难度分层清晰：Kvasir-Capsule 与 SEE-AI 是全部模型的低分区（CogAlign-8B 也只有 74.01% 与 60.18%），与胶囊内镜的图像质量、以及 SEE-AI 中更高的多标签比例对应。
鲁棒性与掩膜策略都被单独验证：人工加斑点干扰后，只做 SFT 的模型准确率严重下滑、而完整 CogAlign 在各规模上都保持稳定，直接印证了"SFT 过拟合背景伪相关"的判断；掩膜方式上，高斯模糊一致优于纯白遮挡，作者归因于白块会引入锐利人工边界与分布外信号、破坏 RL 优化的稳定性。
一处数值不一致：CogAlign-2B 的平均准确率在表 1 中为 57.40%、在表 2 中为 57.38%，两个表都在同一测试集上（⚠️ 以原文为准，本文按各自来源引用）。

亮点与洞察¶

把"认知错位"拆成数据问题而不是提示词问题：与其在推理时反复 prompt 模型"先看位置再看形态"，不如把这条轨迹做成被监督的目标序列，让跳步在训练分布上就不被允许。这个思路可以整体迁移到任何有行业规范流程的诊断/审查任务（病理、放射、工业质检）。
反事实样本的构造极简却直接对应理论项：不需要第二个模型、不需要人工重绘，一个病灶掩膜加高斯模糊就能造出"背景不变、病灶消失"的对照样本，把抽象的反事实惩罚 \(R_{cf}\) 变成一批可用的训练数据。低成本是这个设计最漂亮的地方。
关键词奖励把"语义精度"变成可自动计算的离散信号：用 LLM 离线抽 9 个关键特征词，训练时只做字符串匹配就能给出稠密奖励，比再训一个 reward model 便宜得多，也不需要人工打分。这个 trick 可以迁移到任何"结构 + 内容都要对"的生成任务，如报告生成、CoT 质量评估。
理论部分只服务一个惩罚项，但给出了可操作的处方：Theorem 1 说明只做 SFT 必然学到伪特征，Theorem 2 说明把因果因子置零并惩罚其预测即可消掉伪敏感度。它不追求严格刻画真实 MLLM，但把"为什么要引入反事实"从经验直觉提升为方向明确的推导。
奖励分工清晰：格式奖励锁结构、关键词奖励锁语义、诊断奖励锁结论，三者构成"结构—过程—结果"的闭环，而且权重（1:1:2）本身就说明了诊断结论在整个体系里的优先级。

局限与展望¶

反事实样本依赖病灶掩膜，掩膜又依赖专家：初始框由 MLLM 给出、但要专家精修才能定准 \(M\)。真实部署中没有专家在环，掩膜质量下降会直接削弱反事实样本的对照效果，甚至可能抹掉错误区域、向模型注入错误监督。
诊断奖励只看最终标签是否匹配（0/1），不约束推理链的忠实性：关键词奖励只验证词是否出现，不验证是否用对了位置——模型完全可以在形态段里罗列一堆术语而描述的并不是图中病灶。缺一个"描述与图像一致"的视觉校验项。
理论分析建立在简化的 logistic 特征模型上：Definition 1 把图像拆成两个潜因子、把模型写成 \(\sigma(w^\top\phi(X))\)，真实 MLLM 的表示远不满足这一假设，\(K(Z_e)<K(Z_c)\)、\(\lambda\to\infty\) 都是理想化条件，结论应作为方向性指引而非定量预测。
数据与评测规模有限：测试集仅 4,779 张，其中 SEE-AI 的多标签样本只有 235 张，多标签百分比在这种样本量下波动较大；数据集本身类别分布不均（23 个单标签类 + 49 种多标签组合），多标签准确率普遍偏低也可能反映标注覆盖不足而非模型能力上限。
消融证据不完整：奖励项的移除实验只给出 Fig. 6 的曲线，正文没有给出可核对的数值，也没有报告 LoRA rank、奖励权重、\(G\) 的敏感性分析；加权系数 1.0/1.0/2.0 的选取依据未见说明。
可改进方向：用迭代式自生成掩膜（先粗掩膜训练、再用模型自身的注意力/定位能力细化）替代专家精修以降本；在奖励里加入视觉一致性校验（如对形态描述做图文匹配打分）；把反事实干预扩展到"改变背景、保留病灶"的方向，验证模型是否真正双向因果。

评分¶

新颖性: ⭐⭐⭐⭐ 两个问题（认知错位、因果缺失）的组合切得准，理论刻画 + 反事实 GRPO 的组合有想法，但单项技术更多是已有组件（SFT、GRPO、反事实干预）在医学场景的领域适配。
实验充分度: ⭐⭐⭐⭐ 五个数据集、三档模型规模、多标签拆分、鲁棒性与掩膜策略都做了，但奖励消融只有曲线无数值，缺少奖励权重与 LoRA 的超参敏感性分析。
写作质量: ⭐⭐⭐ 故事线清晰、失败案例很有说服力，但公式排版混乱（Theorem 的梯度式与 Eq. 11/12/14 在缓存中均不可读）、理论证明较为粗糙（依赖未证明的谱范数假设），部分消融结论只有定性描述。
价值: ⭐⭐⭐⭐ 内镜 MLLM 的可信度是真实痛点，"数据 + SFT 立认知、反事实 RL 立因果"这一两阶段范式与关键词奖励的低成本实现都可直接复用；数据集与 24,515 条推理链本身也有独立价值。