EGM: Efficient Visual Grounding Language Models¶

会议: ECCV 2026
arXiv: 2601.13633
论文: ECCV 2026
代码: https://github.com/NVLabs/EGM
领域: 多模态 VLM
关键词: 视觉定位, 测试时计算, 多模态推理, GRPO, 推理效率

一句话总结¶

EGM 先用专有 VLM 为每条定位样本蒸馏出一条「怎么找到目标」的推理轨迹做 SFT，再用 IoU 与定位成功率混合奖励的 GRPO 做强化学习，让 8B 小模型在 RefCOCO 上拿到 91.4 平均精度、超过 235B 模型的 90.5，同时把端到端延迟从 4320ms 压到 737ms（5.9×）。

研究背景与动机¶

视觉定位（visual grounding）要求模型按一句自然语言指令在图中找到目标并给出边界框，是自动驾驶、机器人操作等具身场景的基础能力。目前 RefCOCO 系列基准上的最强开放模型——InternVL-3.5、Qwen3-VL——都是百亿到千亿参数级别，它们的小尺寸版本精度掉得很明显：InternVL-3-1B 只有 81.6、2B 86.7，而同族 78B 能到 91.4。结果是「可靠地定位」这件事被绑定在了塞不进 Jetson Thor、DGX Spark 这类边缘设备的大模型上。

作者的切入方式很克制：先做归因，再提方法。他们注意到 Qwen、InternVL 这些模型族里，不同尺寸模型的视觉编码器规模几乎不变，被放大的只有语言模型，于是假设小模型落后源于文本理解能力而非视觉信息处理。为验证，他们把 InternVL-3-8B 在 RefCOCO 上的失败样本（IoU < 0.5）连同真值框交给多个专有模型做归因，得到的主导失败模式被命名为 COMPLEX-PROMPT：提示词语义复杂、图中又存在多个相似候选，模型定位到了「另一个」候选上。比如 "chair empty next to guy"，模型正确理解了 "chair"，却忽略了 "empty" 和 "next to guy" 两个约束。三家专有模型判定 COMPLEX-PROMPT 的占比分别为 62.8%（GPT-4）、48.8%（GPT-5）、46.8%（Gemini-3-Pro），平均 52.8%；把同一批样本交给更大的模型后成功率随规模上升（InternVL-3-32B 29.9% → 78B 42.6%），说明这类失败确实可以靠更强的语言理解消解。

问题于是被改写成一个效率命题：与其把参数堆到 235B 去买文本理解，不如让小模型在推理时多花一点计算——先写出「怎么找到目标」的过程，再输出框。核心 idea：用专有 VLM 蒸馏定位专属的推理轨迹做 SFT、再用框级奖励的 GRPO 把推理对齐到定位精度，让小模型用很多个「中等质量」的 token 换掉大模型少数几个「高质量但昂贵」的 token，从而在 8B 规模上达到 235B 的精度并把端到端延迟压低约 6 倍。

方法详解¶

整体框架¶

EGM 的输入是图像加一句指代文本，输出是一段推理过程和四个整数坐标写在同一文本序列里的边界框，形如 Answer: <think>…推理…</think><ref>指代文本</ref><box>[x1, y1, x2, y2]</box>。它不修改 InternVL / Qwen3-VL 的 LLaVA 式架构（ViT 编码器 + MLP 投影 + LLM），也不引入检测头或专门的定位 token：定位结果就是普通的文本 token，靠 4 个坐标数字在文本里解码出框——这一点很重要，它意味着 8B 与 235B 的差别从头到尾只在 LLM 一侧。

整套机制围绕「小模型缺的是语言理解，而不是视觉编码」这一判断展开，可以概括为「两套离线数据构造 + 两阶段训练」：离线阶段由专有 VLM 为每条 (图像, 指代文本, 真值框) 生成一条推理轨迹，组成 SFT 数据；在线阶段模型先做冷启动 SFT 学会「先推理再给框」的模式，RL 阶段则不在全量数据上练，而是用「可学习性」筛出学生失败但参考模型成功的样本、再配等量简单样本，用 GRPO 优化以 IoU 与定位成功率加权得到的奖励。vanilla 定位与 amodal 定位使用完全独立的两套数据、分别训练两个模型。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["图像 + 指代文本"] --> B["推理轨迹数据构造<br/>专有 VLM 写出定位思维链"]
    G["amodal 分割标注<br/>COCO-Amodal / TAO-Amodal"] --> H["amodal 定位任务构造<br/>生成指代文本 + 遮挡推理"]
    H --> B
    B --> C["SFT 冷启动<br/>学会先推理再给框"]
    C --> D["可学习性驱动的样本筛选<br/>学生失败、参考模型成功"]
    D --> E["混合奖励的 GRPO<br/>IoU 与成功率加权"]
    E --> F["EGM：think → ref → box 坐标"]

关键设计¶

1. 推理轨迹数据构造：把「怎么找到目标」的过程变成监督信号

SFT 需要的是过程监督，而现有定位数据集只提供 (图像, 文本, 真值框) 三元组，没有任何一条数据告诉你「这个框是怎么找到的」。EGM 的做法是把现成的 vanilla 定位训练集 \(D_G=\{d_i\}\)（作者用 RefCOCO 训练集）中每条样本连同真值框一起喂给专有 VLM \(\Phi\)，让它输出一条推理轨迹 \(z_i=\Phi(d_i)\)，再把原始样本与轨迹配对成 \(D_C=\{(d_i,z_i)\}\)。注意输入里带了真值框：教师是在「已知答案」的前提下倒推理由，因此生成的是可复现的定位逻辑，而不是一次盲猜。例如文本为 vase with handle 的样本，生成的推理是「先关注『有独特把手』这一区分性特征，图中右侧那个花瓶有突出的把手，因此是它」——恰恰是 COMPLEX-PROMPT 失败模式所需要的那种辨析。最终得到 575,208 条样本、24,407 张图，平均每图 2.3±1.3 个框（分辨率 585.7±87.0 × 480.3±93.1）。

这一设计能成立有一个不太显然的前提：教师的价值在于「过程」而不是「答案」。实验里 GPT-5 在 RefCOCO 上只有 40.1 平均精度、Gemini-2.5-Pro 只有 63.8，都远低于学生模型自身；直接蒸馏它们的框只会把学生带坏（论文也明确说「很难从一个更差的模型蒸馏出提升」）。但它们组织语言、拆解空间关系的能力足够强，用这份能力去生产推理轨迹、把最终坐标交给学生自己的视觉编码与学习过程，才是这套数据管线真正的杠杆。

2. amodal 定位任务构造：为被遮挡的物体补出「完整形状」的框

vanilla 定位的推理监督可以靠现成数据倒推，换到 amodal 定位（同时预测可见部分与被遮挡部分）就完全失效了——社区里有 amodal 分割标注，却不存在 (指代文本, amodal 框) 这样的配对。作者于是把分割标注改造成文本指代任务：从 COCO-Amodal、TAO-Amodal 出发，用专有 VLM 为每个目标物体生成一段能唯一指代它的详细描述，并额外做一步校验把噪声描述剔掉，得到数据集 \(D_T\)（23,698 条样本、15,798 张图，分辨率显著高于 vanilla 数据）。有了文本指代，再走第 1 条设计里同一条推理生成管线即可。

真正的差异在推理内容上：amodal 的推理除了定位目标，还必须显式回答三件事——是什么物体造成了遮挡、被挡住的完整形状是什么样、可见部分应该往哪个方向扩多少。论文给的例子是「右边倒木后面的老虎」：推理需要说明「前面的倒木造成了遮挡」「老虎的完整形状包括整个躯干、腿和尾巴，都被倒木挡住」「要恢复完整物体，需从可见部分向下大幅扩展（其他方向不用扩太多）」。这三问本质上把「补全被遮挡区域」从一次隐式的回归拆成了可监督的空间推理步骤，这也是它能迁移到小模型上的原因。此外，作者还用同一条管线（同样的文本生成 + 校验流程）从 COCO-Amodal 的 val/test 切分出 11,261 条样本、2,474 张图的 amodal 评测基准，填补了该任务没有现成 benchmark 的空白。

3. 可学习性驱动的样本筛选：只练「学生不会、参考模型会」的样本

RL 阶段最关键的选择是「用什么数据练」。全量数据里混杂着三类样本：学生已经做对的、学生做错但确实可学的、以及太难或真值标注本身有问题的；后两类对学生而言都表现为「失败」，模型没有能力从信号上区分它们。EGM 借用了可学习性（learnability）指标，先定义定位成功（IoU 超过 0.5 记 1，否则记 0），再让参考模型与学生相减：

\[S_{\theta,i}=\begin{cases}1, & \mathrm{IoU}_{\theta,i}>0.5\\ 0, & \text{otherwise}\end{cases},\qquad l_i = S_{\mathrm{ref},i}-S_{\theta,i}\]

其中学生 \(M_\theta\) 就是正在训练的小 VLM，参考模型 \(M_{\mathrm{ref}}\) 是当时的最强定位模型 InternVL-3.5-241B。可学习样本集取 \(D_{\text{learnable}}=\{d_i \mid l_i>0\}\)——学生失败而参考模型成功，说明这些样本「还没有被学会，但确实学得会」；参考模型也失败的样本则被直接丢弃，它们要么超出能力边界，要么真值本身就错了，拿去做 RL 只会奖励噪声。只练难样本的副作用是模型可能在难题上过拟合并损害一般样本，所以作者再从学生已经成功的样本里均匀抽样出与 \(D_{\text{learnable}}\) 等量的简单样本集 \(D_{\text{easy}}\)，最终训练集是两者的并集。amodal 任务因为数据本身只有两万多条，则不做这层筛选、直接用全部 \(D_T\) 训练。

这套「按可学习性筛 + 等量简单样本兜底」的配方与具体任务无关，只需要一个比学生强的参考模型就能算，因此可以直接搬到其他 RLVR 场景。

4. 混合奖励的 GRPO：让推理的收益落到框的精度上

RL 的奖励如果只取定位成功（0/1），信号是稀疏的：框从 IoU 0.3 挪到 0.45 完全没有回报，模型在 0.5 阈值附近面对着一段平坦区，很难知道该往哪个方向调整。EGM 因此把奖励定义为 IoU 与成功率的加权和：

\[r_i=\alpha\,\mathrm{IoU}_{\theta,i}+(1-\alpha)\,S_{\theta,i},\qquad \alpha=0.5\]

IoU 项提供连续、密集的方向性信号（框挪对了就有分），成功率项保留任务本身的目标（IoU > 0.5 才算定位成功），两者等权是实验中的默认设置。这一点也是 EGM 与「直接用通用思维链」的关键分野：Qwen3-VL 自带的 Thinking 版本在定位上反而比 Instruct 低 0.6/0.1/0.5，说明通用推理的目标函数里并没有「框更准」这一项；EGM 通过框级奖励把整段推理对齐到定位精度上，推理才成为有效的手段而不是额外的噪声。

在此基础上，训练用带 KL 惩罚与熵正则的 GRPO 来做，目的是「让模型在推理阶段探索充分，同时避免模式坍缩」。一个有意思的细节是两族模型的最优系数方向相反：QwenVL 系列用 KL 系数 \(\beta=0.005\)、熵系数 \(\gamma=0\)（靠 KL 拉住策略漂移），InternVL 系列用 \(\beta=0\)、\(\gamma=0.01\)（靠熵维持输出多样性）。论文没有给出这一差异的解释，⚠️ 具体原因以原文为准。

一个完整示例¶

数据构造。 RefCOCO 训练集里的一条样本是：图中有多个花瓶，指代文本为 vase with handle，真值框为 [730, 421, 885, 814]（⚠️ 坐标数值以原文图 3 为准）。专有 VLM 收到「图像 + 文本 + 真值框」，输出推理「需要关注把手这一区分性特征：图中右侧的花瓶有突出的把手，因此它是正确选择」，这条推理与原始样本配对，成为一条 SFT 数据。训练完之后，模型在推理时只看到图像和文本，必须自己复现这段推理再给出同样格式的框——教师提供的知识只存在于「怎么想」这一步。

RL 样本筛选。 假设某条样本上参考模型 InternVL-3.5-241B 的 IoU 是 0.7（\(S_{\mathrm{ref}}=1\)），当前学生的 IoU 是 0.4（\(S_\theta=0\)），可学习性 \(l_i=1>0\)，该样本进入 \(D_{\text{learnable}}\)；若另一条样本参考模型也只有 0.3，说明它太难或真值有问题，直接丢弃；再从学生已经做对的样本中均匀抽等量条数进入 \(D_{\text{easy}}\)。两者合并构成 RL 训练集（此处的 IoU 数值是为说明筛选规则构造的假想值）。

amodal 推理。 对「右边倒木后面的老虎」，模型生成的序列大致是：<think> 老虎只在右侧露出头和上半身，前面的倒木造成遮挡、挡住了下半身；老虎的完整形状包括整个躯干、腿和尾巴；要从可见部分向下大幅扩展、其他方向不需要扩太多 </think><ref> 右边倒木后面的老虎 </ref><box>[x1, y1, x2, y2]</box>。与 vanilla 的差别就在于推理里多了「谁挡的 / 完整形状是什么 / 往哪扩」这三段。

损失函数 / 训练策略¶

SFT 阶段直接使用 InternVL-3 与 Qwen3-VL 的官方训练脚本，学习率 \(1\times10^{-5}\)、1 个 epoch、batch size 128，8 张 A100 上完成。

RL 阶段基于 VeRL 框架，rollout 与推理全部用 vLLM 引擎，学习率 \(3\times10^{-6}\)、训练 5 个 epoch、batch size 256，奖励权重 \(\alpha\) 固定为 0.5；QwenVL 系列取 KL 系数 \(\beta=0.005\)、熵系数 \(\gamma=0.0\)，InternVL 系列取 \(\beta=0.0\)、\(\gamma=0.01\)。两族共用一个参考模型 InternVL-3.5-241B，学生即各自对应的微调模型，最终 RL 数据集大小随模型而变。

优化目标是 GRPO 配合 token 级平均损失（DAPO 的写法）：组内先对同一输入采样的 \(G\) 条输出做标准化得到序列级优势 \(\hat{A}_i\)，再除以序列长度 \(|o_i|\) 得到 token 级优势 \(\hat{A}_{i,t}\)，在此基础上加上 KL 惩罚与熵正则：

\[\hat{A}_i=\frac{r_i-\mathrm{mean}(\{r_j\}_{j=1}^{G})}{\mathrm{std}(\{r_j\}_{j=1}^{G})},\qquad \hat{A}_{i,t}=\hat{A}_i/|o_i|\]

⚠️ 论文正文中完整的 GRPO 目标式在 PDF 抽取时损坏，上面给出的是其结构与可确认的部分，精确形式请以原文为准。

实验关键数据¶

主实验¶

表 1：vanilla 定位（RefCOCO 系列八 split，指标为 [email protected]）。Qwen 各行的提升相对同尺寸 -Thinking 版本，InternVL 各行相对官方基线；带 * 的成绩取自官方报告，其余为作者自测。

模型	参数量	RefCOCO val	RefCOCO+ val	RefCOCOg val	八 split 平均	提升
Qwen3-VL-2B-Instruct	2B	88.7	80.1	84.8	84.2	—
Qwen3-VL-2B-Thinking	2B	87.5	80.2	84.4	83.6	−0.6
EGM-Qwen3-VL-2B	2B	93.0	87.8	88.6	89.6	+6.0
Qwen3-VL-4B-Thinking	4B	90.0	85.2	87.8	87.2	−0.1
EGM-Qwen3-VL-4B	4B	93.5	89.7	90.4	91.0	+3.8
Qwen3-VL-8B-Thinking	8B	91.0	86.2	87.6	87.8	−0.5
EGM-Qwen3-VL-8B w/o 推理	8B	92.2	85.7	88.6	88.6	+0.8
EGM-Qwen3-VL-8B	8B	93.9	90.1	90.4	91.4	+3.6
Qwen3-VL-235B-A22B-Instruct	235B(A22B)	92.9	88.6	90.3	90.5	—
Qwen3-VL-235B-A22B-Thinking	235B(A22B)	92.9	89.5	90.4	90.7	—
InternVL-3-1B	1B	85.8	76.6	82.8	81.6*	—
EGM-InternVL-3-1B	1B	90.2	83.8	86.4	86.8	+5.2
InternVL-3-2B	2B	89.8	84.0	87.6	86.7*	—
EGM-InternVL-3-2B	2B	92.2	85.6	88.5	88.4	+1.7
InternVL-3-8B	8B	92.5	88.2	89.6	89.6*	—
EGM-InternVL-3-8B w/o 推理	8B	91.3	85.7	87.3	87.7	−1.9
EGM-InternVL-3-8B	8B	93.6	89.3	89.7	90.7	+1.1
InternVL-3-78B	78B	93.4	90.1	91.5	91.4*	—
Gemini-2.5-Pro	—	66.8	58.2	65.0	63.8	—
Gemini-3-Pro	—	87.3	80.3	89.9	85.2	—
GPT-5	—	42.6	37.4	39.1	40.1	—

表 2：amodal 定位（COCO-Amodal val/test 生成的新基准，11,261 条样本 / 2,474 张图）。⚠️ 原表基线行未标明是 Instruct 还是 Thinking 版本。

模型	参数量	原始	+EGM	提升
InternVL-3-1B	1B	56.9	64.3	+7.4
InternVL-3-2B	2B	63.8	70.2	+6.4
InternVL-3-8B	8B	62.0	73.5	+11.5
InternVL-3-78B	78B	51.0	—	—
Qwen3-VL-2B	2B	66.5	73.4	+6.9
Qwen3-VL-4B	4B	71.6	73.9	+2.3
Qwen3-VL-8B	8B	71.4	73.9	+2.5
Qwen3-VL-235B	235B	74.1	—	—
Gemini-2.5-Pro	—	52.3	—	—
Gemini-3-Pro	—	71.9	—	—
GPT-5	—	24.7	—	—

消融实验¶

表 3：推理过程的必要性。「w/o 推理」指用同一套数据和 RL 流程训练，但训练数据里不含推理轨迹。

配置	八 split 平均	相对基线	说明
Qwen3-VL-8B-Instruct	88.3	—	同尺寸 Instruct 基线
Qwen3-VL-8B-Thinking	87.8	−0.5	通用思维链没有带来定位增益
EGM-Qwen3-VL-8B w/o 推理	88.6	+0.3（vs Thinking）	去掉推理，只剩数据与 RL
EGM-Qwen3-VL-8B	91.4	+3.6（vs Thinking）	完整方法，推理贡献 +2.8
InternVL-3-8B	89.6*	—	官方基线
EGM-InternVL-3-8B w/o 推理	87.7	−1.9（vs 基线）	去掉推理后反而低于基线
EGM-InternVL-3-8B	90.7	+1.1（vs 基线）	完整方法，推理贡献 +3.0

关键发现¶

表 4：难样本子集与效率分析。难样本子集指 InternVL-3-8B 因 COMPLEX-PROMPT 而失败（IoU < 0.5）的 RefCOCO 样本集合，指标是「重新做对的比例」。

维度	模型	指标	结果
难样本子集	InternVL-3-32B	Acc	29.9%
难样本子集	InternVL-3-78B	Acc	42.6%
难样本子集	Gemini-2.5-Flash	Acc	20.9%
难样本子集	Gemini-3-Pro	Acc	57.3%
难样本子集	EGM-InternVL-3-8B	Acc	42.7%
效率	Qwen3-VL-235B-Instruct	Acc / 延迟	90.5 / 4320 ms
效率	EGM-Qwen3-VL-8B	Acc / 延迟	91.4 / 737 ms（5.9×）

推理不是装饰，而是承重结构。 去掉推理后，Qwen3-VL-8B 从 91.4 掉到 88.6（−2.8），InternVL-3-8B 从 90.7 掉到 87.7（−3.0）甚至低于官方基线的 89.6（−1.9）。也就是说，用同样的数据和 RL 流程但不让模型写推理，不仅拿不到增益，还可能损害原有的定位能力。
通用思维链 ≠ 定位推理。 Qwen3-VL-2B/4B/8B-Thinking 相对同尺寸 Instruct 分别是 −0.6/−0.1/−0.5，自带的 thinking 在定位上毫无收益；而 EGM 相对 Instruct 是 +5.4/+3.7/+3.1，且比 Thinking 版本更快。差别不在「有没有推理」，而在推理是否被框级奖励对齐过。
收益集中在难样本上。 在由 InternVL-3-8B 失败样本构成的 COMPLEX-PROMPT 子集上，EGM-InternVL-3-8B 达到 42.7%，与 78B 的 42.6% 持平，仍低于 Gemini-3-Pro 的 57.3%；被它解决的案例里有近一半（占该子集 18.9%）初始 IoU < 0.1，属于最难的一档。
省的是精度/延迟比，不是绝对延迟。 EGM-Qwen3-VL-8B 以 737ms 达到 91.4，235B-Instruct 要 4320ms 才到 90.5，相对加速 5.9×；对 235B-Thinking 的加速比是 18.9×（该版本的绝对延迟原文未在主文给出，⚠️ 以原文为准）。2B 版本（89.6）也同时超过 32B-Thinking、8B-Instruct 与 8B-Thinking。需要说明的是：与同规模的原始 8B 模型相比，EGM 因为多生成了整段推理 token，延迟是更高的——它换来的是接近 235B 的精度。
amodal 上出现了反规模效应。 InternVL-3-78B（51.0）反而显著低于同族 8B（62.0），Qwen3-VL-235B 也只有 74.1；EGM-Qwen3-VL-8B 达到 73.9、EGM-InternVL-3-8B 达到 73.5，基本追平 235B。说明在需要「描述性推理」的 amodal 任务上，参数规模与定位能力并不正相关，推理训练的价值反而更突出。

亮点与洞察¶

先诊断、后开方，把「小模型为什么差」变成一个可验证的实证问题。 作者没有直接假设「参数量不够」，而是用「同族视觉编码器等大」+「失败案例归因统计」两条证据把差距锁定在语言理解侧，方法的每一步（SFT 教推理、RL 用框级奖励对齐）都直接对应这个诊断。这种「先做失败模式归因，再针对性补能力」的范式可以复用到任何「小模型落后」的场景。
蒸馏的是过程，不是答案。 教师模型在目标基准上比学生更差（GPT-5 只有 40.1 平均精度），直接蒸馏输出只会污染学生；但把它用在「生成推理轨迹」这种过程监督上却能带来 +5 到 +6 的提升。这提示了一种在教师弱于目标任务时仍然可用的蒸馏方式：只借它的语言组织与关系拆解能力，结果留给学生自己产生。
「很多个中等质量 token」打败「少数几个昂贵 token」。 给 8B 模型多生成一段推理反而让端到端更快，是这篇论文最反直觉的结论——因为它把比较对象选在了 235B 上，而大模型每个 token 的成本高得多。在边缘部署场景下，这个 trade-off 的成立条件（小模型 per-token 成本远低于大模型、且有可用的过程监督）值得单独记住。
可学习性筛选 + 等量简单样本的配方。 \(l_i=S_{\mathrm{ref}}-S_\theta\) 一步同时过滤掉了「太难/标注错」和「已学会」两类样本，再配等量易样本防过拟合。这个配方只依赖一个更强的参考模型，可以直接迁移到其他 RLVR（如数学、代码）的数据构造中。
用新任务设定验证方法通用性。 作者没有停留在 RefCOCO 上刷点，而是把方法搬到一个此前只有分割标注、没有文本指代配对的任务（amodal grounding）上，顺带给出了一个 11,261 条样本的评测基准。用一个「数据形态完全不同」的新任务来验证方法，比在同一基准上换模型族更有说服力。

局限与展望¶

完全没有评测通用能力是否保持。 论文没有独立的局限章节，以下为笔记作者归纳。全文所有实验都是定位精度，没有报告在加长推理链、只做定位 SFT/RL 之后，模型在 VQA、语言理解、通用对话上的表现，也没有讨论灾难性遗忘。论文的核心论点是「小模型缺的是语言理解」，但恰恰没有回过头验证：补上定位推理后，语言理解能力本身有没有变化——这是论证链上缺的一环。
监督信号依赖专有 VLM，成本与可复现性受限。 57.5 万条 vanilla 推理轨迹全部由闭源模型生成，论文没有给出生成成本、教师模型的具体版本选择，也没有做教师选择的敏感性分析（换一个教师，轨迹质量与最终精度会怎么变）。相比之下 amodal 部分做了描述校验，vanilla 部分没有类似的轨迹质量校验。
只看框对不对，不看推理对不对。 奖励完全由框的 IoU 与成功率构成，没有任何过程奖励；模型完全可能「理由说偏了但框碰对了」。论文提供的定性例子都支持推理与框一致，但缺少对推理正确率的定量评估（例如人工判断推理链是否真的指向目标）。
效率评测维度偏单一。 延迟只在 L20 上、以「发出提示到收完答案」的总 GPU 延迟衡量，没有报告吞吐、显存占用、不同并发下的表现；5.9× 的加速比是相对 235B-Instruct，不是相对同规模模型——与原始 8B 相比 EGM 更慢。此外 amodal 基线未标明 Instruct/Thinking，跨行比较需要谨慎。
数据规模严重不均衡。 vanilla 有 57.5 万条、amodal 只有 2.4 万条，amodal 因此放弃了 RL 样本筛选（用全量数据），方法在数据充足场景下的优势在 amodal 上并未真正体现，这部分的 +2.3/+2.5 也可能受数据量上限制约。
可改进方向：一是把推理长度做成可调预算（难样本多推理、易样本直接出框），进一步压缩平均延迟；二是引入过程奖励或推理质量校验，抑制「框对理由错」；三是补一条通用能力的保持性评测，例如在 SFT/RL 数据中混入通用 VQA 或用 KL 约束锚住基座模型；四是把参考模型替换为同族更强的开源定位模型，去掉对超大规模模型做数据筛选的依赖。

评分¶

新颖性: ⭐⭐⭐⭐☆ 把「先诊断失败模式、再用推理补语言理解」的链路讲得很扎实，方法本身（SFT 蒸馏轨迹 + GRPO 框级奖励）是 R1 式范式在定位上的任务化移植，单看组件不算全新，但 amodal 定位这个新设定与可学习性筛选的配方有实打实的贡献。
实验充分度: ⭐⭐⭐⭐☆ 两个模型族 × 三种尺寸 × 两个任务 × 效率评测覆盖得很全，消融（w/o 推理）与难样本子集分析也到位；扣分点是没有通用能力保持的评测，效率维度也比较单一。
写作质量: ⭐⭐⭐⭐☆ 归因实验（COMPLEX-PROMPT 的三家模型统计 + 规模趋势）讲得清楚有说服力，公式部分排版混乱、部分式子需要读者自己补，但论证链条完整。
价值: ⭐⭐⭐⭐⭐ 用 8B 模型在 RefCOCO 上超过 235B 且端到端快 5.9×，对边缘部署与具身场景是很直接的收益；「小模型多推理、大模型少推理」的效率论证也有普适的参考价值。