StAR: Segment Anything Reasoner¶

会议: ECCV2026
论文: ECCV 原文
代码: https://github.com/ysj9909/StAR
领域: 语义分割 / 多模态 VLM
关键词: 推理分割、强化学习、GRPO、测试时扩展、参数高效微调

一句话总结¶

StAR 不做新架构，而是沿着参数微调方案、奖励设计、学习策略、答案格式四条轴，逐一拆掉现有推理分割 RLVR 框架（VisionReasoner）中压制基座推理能力的瓶颈，并首次把并行测试时扩展（掩码级多数投票）引入分割任务；仅用 5k 训练样本就把 Qwen2.5-VL 7B 在 ReasonSeg-X 测试集上的 gIoU 从 42.2 提到 49.2（加多数投票 50.3），同时贡献了更干净的 ReasonSeg-R 与更难的 ReasonSeg-X 两个评测集。

研究背景与动机¶

LISA 首次把「隐式查询 + 图像 → 目标掩码」这一任务形式化为推理分割，此后主流方法基本都在做同一件事：把 MLLM 的推理能力与 SAM 系列的掩码生成能力拼起来，MLLM 负责读 query、做视觉语言推理、吐出 bbox/代表点，SAM 把几何提示变成掩码。VisionReasoner、SAM-R1、Seg-Zero 等工作进一步引入可验证奖励强化学习（RLVR），用 GRPO 强化 MLLM「通过推理定位目标」的能力，其中 VisionReasoner 给出了「推理模块–掩码生成器」解耦的干净框架和一整套基于匈牙利匹配的多目标奖励设计，成为这条线上事实上的基线。

但这条路线有一个被普遍跳过的问题：当前 RLVR 框架究竟有没有把基座模型本来就难以自发显现的视觉推理潜力榨出来？作者的观察是远远没有，而且损耗分布在每一根支柱上。参数端沿用全参数微调，为了省事直接改写所有权重，代价是显存翻倍（还要额外留一份参考模型算 KL 惩罚），并且极易损伤基座的世界知识；奖励端只盯 bbox/点这类几何精度，与任务真正的终点——掩码质量——错位，还采用「IoU 过阈值给 1、否则给 0」的硬奖励，既没有反映训练过程中的渐进改善，也天然诱发 reward hacking；学习端 vanilla GRPO 在过难或过易的样本上组内奖励方差趋零、优势信号消失，而恰恰是难题上的稀疏正反馈才最可能把基座「潜伏但难以唤起」的推理技能激活；输出端只要求吐几何坐标，等于把推理分割这个语义优先的任务悄悄拉成「猜坐标」的几何模式，而长 CoT 又会让模型对视觉 token 的注意力持续衰减、加剧幻觉。评测侧同样不牢靠：ReasonSeg 的部分样本掩码质量差或本身含推理错误，推理深度有限，且没有界定自己覆盖的推理类型，难以系统评估前沿 MLLM 驱动的方法。

本文的切入角度是不换架构、只换配方——把 RLVR 的每一根支柱逐一「改装」，用尽可能低的算力代价拆除瓶颈，并把在此之前一直被忽略的并行测试时扩展引入分割（多数投票在答案空间离散的任务上天然可用，但在像素级、多目标预测上并不成立，需要专门设计）。核心 idea：用高秩 LoRA + 大学习率 + 去掉 KL 惩罚来保住而非改写基座知识；把 SAM 拉进 RL 回路，用分段式掩码 IoU 奖励提供与任务终点对齐的细粒度信号，再用 REST 把 rollout 池扩到 256 条并只更新优势两端以保证信号质量；用「先输出语义标签、再输出坐标」的答案格式把定位重新拉回语义条件化；最后在测试时用 IoU 聚类 + 票数的掩码级多数投票做并行测试时扩展。

方法详解¶

整体框架¶

StAR 沿用「推理–分割解耦」的前向结构：给定图像与隐式查询，MLLM 先做思维链推理，输出一个显式的语义标签和目标的 bbox / 代表点，这些几何输出作为视觉提示送进冻结的 SAM 2 Large，得到最终二值掩码；反向只更新 MLLM，SAM 2 全程不动。所以整篇论文其实是在给这条固定前向链路配两套配方——训练侧用 GRPO，沿四条设计轴改造；测试侧在并行采样多条响应之后做掩码级聚合。

这里必须先说清楚推理链与掩码是怎么互相促进的，因为它决定了后面所有设计为什么长这样。StAR 走的是先想再分的单向路径：CoT 与语义标签决定几何提示，几何提示决定掩码，模型不会因为看到掩码再回头改推理。真正的双向耦合发生在训练回路里：SAM 产出的掩码会被算成掩码 IoU 奖励，这个奖励和 MLLM 级的精度奖励一起变成 GRPO 的优势，梯度回传到 MLLM——于是「分得好不好」被翻译成了「想得对不对」的学习信号。换句话说，推理链负责产生候选目标与几何先验，掩码质量负责给这条推理链打分，二者通过 RLVR 的奖励闭环互相塑形；分割在这里不是被单独训练的模块，而是推理的可验证结果。

需要明确与 SAM 系列的关系：SAM 2 在 StAR 里既不是被微调的对象，也不是被 agent 反复调用的外部工具，而是前向链路中一个固定的、按提示出掩码的组件；它的掩码质量分还被额外复用为测试时聚合的置信度。评测的也是推理分割本身（隐式查询 → 掩码，用 gIoU/cIoU 度量），而不是「推理辅助分割」这类辅助任务。与 SAM 3 那种以串行精修为核心的 agentic 管线相比，StAR 的测试时扩展走的是完全相反的一根轴：并行采样后聚合，而不是逐轮迭代改进。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["隐式查询 + 图像"] --> B["高秩 LoRA 策略<br/>冻结基座，只训练低秩增量"]
    B --> C["标签预测<br/>先语义命名，再出 bbox/point"]
    C --> D["SAM 2（冻结）<br/>视觉提示 → 候选掩码"]
    D --> E["掩码 IoU 分段奖励<br/>+ MLLM 级精度奖励"]
    E --> F["REST 扩展式选择性调优<br/>16 → 256 条，只更优势两端"]
    F -->|GRPO 迭代| B
    D -->|测试时并行采样 32 条| G["掩码级多数投票<br/>IoU 聚类 + 票数定簇"]
    G --> H["最终掩码"]

关键设计¶

1. 高秩 LoRA 替换全参数微调：RLVR 要的是「学会用」，不是「改写」

这篇论文最反直觉的一步是主动把全参数微调换成 LoRA。它针对的痛点很具体：SSFT 场景下全参数微调是为了密集搬运新知识，但 RLVR 用在推理分割上的原则恰恰相反——保住基座的知识与推理模式，只学「怎么把它们用于分割」。现有 RLVR 的分割方法（以及多数开源推理模型）却照搬全参数微调，既要在显存里多留一份参考模型算 KL，又会大面积改动权重、伤到基座的世界知识。作者改用 LoRA 的低秩分解来建模稀疏更新，但直接用默认配置会明显掉点，于是做了两处配套调整：把学习率从 \(1\times10^{-6}\) 提到 \(1\times10^{-5}\) 以加速任务适配，并去掉 KL 惩罚项；再把秩从 16 提到 64 以扩大更新矩阵的表达能力，才接得住更复杂的推理。

结果是这套「省钱」的配置反而更强：ReasonSeg-X 从 42.2% 升到 45.4%，ReasonSeg-R 从 64.8% 升到 66.1%，而训练开销降到 VisionReasoner 的 1/2 以下。省下来的算力没有被浪费——它被转投到 rollout 规模化上（见设计 4），这正是论文反复强调的「低秩省显存 → 换更多采样」的资源重分配逻辑。

2. 标签预测：先给目标命名，再吐坐标

推理分割本质是语义优先的：模型必须先理解 query、做完跨模态组合推理，才知道该圈哪里；但任务的交付物是几何的，这种「语义进、几何出」的不对称会悄悄把生成带偏成一个只看坐标的模式——模型会吐出一组看起来合理的框，却没有真正承诺「我圈的是谁」。更糟的是，已有研究指出随着 CoT 变长，模型对视觉 token 的注意力会显著衰减，幻觉随之加重。StAR 的对策轻到几乎不像一个设计：在答案 schema 里加一个 label 字段，要求模型在坐标之前先写一句短的语义命名，例如 {"label": "the owner of the largest dog", "bbox_2d": [...], "point_2d": [...]}。改动只在提示/响应格式，不碰任何参数，但它把生成动力学系统地改写了——在坐标预测之前强行插入了一步显式的语义「命名」。这些标签往往复述 query 的表述，或者干脆就是在回答 query，从而把预测区域在语义上锚定回查询，推理忠实度随之提升；实测 StAR-7B 在预测坐标时对视觉 token 的注意力质量占比从 5.3% 升到 6.3%。

后续消融证明起作用的是顺序而非标签本身：训练时标签在前、测试时若反过来让标签最后输出，性能大幅下降；而如果一个模型是按「标签在后」训练的，测试时改成先预测标签反而会明显提升。也就是说收益来自把定位重构为「以语义为条件的坐标预测」，先算出来的标签文本成为后续 grounding 的锚点。

3. 掩码 IoU 分段奖励：把 SAM 拉进 RL 回路，让奖励对齐任务终点

VisionReasoner 的准确率奖励只看 bbox 与点的几何精度，与任务终点（掩码）并不对齐，容易诱发奖励作弊（图 5 左给出了典型失配）；同时「IoU 超阈值给 1、否则给 0」的硬奖励既不反映训练中的渐进改善，也做不了细粒度评估。StAR 借鉴 SAM-R1，把 SAM 显式纳入 RLVR 训练回路，用分段（tiered）掩码 IoU 奖励提供掩码感知的反馈：把掩码质量按 IoU 离散成若干档，高档位给高分，低质量给低分，从而给出有梯度的信号：

\[ r_{\text{mask}}=\begin{cases} 5, & \text{IoU} > 0.90\\ 1, & 0.30 < \text{IoU} \le 0.90\\ 0.6, & \text{其他} \end{cases} \]

（⚠️ 缓存 PDF 中该公式的排版已损坏，档位数值与阈值的精确对应以原文为准；可辨认的是阈值 0.90 与 0.30 以及档位值 5 / 1 / 0.6。）这套奖励与 MLLM 级的奖励并用：bbox IoU 奖励在预测框与 GT 框 IoU 超过 0.5 时给 1，bbox/point 的 L1 奖励在距离分别小于 10 / 30 像素时给 1，再加上 VisionReasoner 原有的 Thinking / Answer / Non-repeat 格式奖励；多目标匹配沿用批量匈牙利算法在 \(N_{\text{pred}}\) 个预测与 \(N_{\text{GT}}\) 个实例标注之间求解指派，最终准确率奖励再除以 \(\max\{N_{\text{pred}}, N_{\text{GT}}\}\) 以抑制过分割与欠分割。

保留 MLLM 级奖励的价值在于它加强粗定位、对推理失败施加更重的惩罚；而分段掩码奖励带来的是一种类似课程学习的训练信号——早期训练偏向「靠高质量推理先把目标找对」，后期才转向「把目标边界切准」。最能说明问题的是 rollout 利用率：VisionReasoner 上把 rollout 从 8 提到 16 几乎没有收益，而 StAR 的奖励能把不同 rollout 细致区分开，同样的提升带来了实质增益（45.4% → 47.1% / 66.1% → 66.6%），且整体训练开销仍然可控。

4. REST：把 rollout 池扩到 256 条，只更新优势两端

Stage 2 的 GRPO 训练有一个隐蔽的失效模式：优势消失。对于太简单或太难的样本，组内奖励几乎一致，归一化后方差趋零，梯度信号也随之消失；实测 vanilla GRPO 训练时平均有过半的 batch 样本处于这种近零方差状态，而恰恰是极难样本上的稀疏正反馈，才最可能把基座潜伏的推理技能挖出来。REST（Rollout-Expanded Selective-Tuning）作为 GRPO 的即插即用改动来解决它，思路是把探索与学习解耦：先把 rollout 池从常规的小 \(n\)（8–16）扩到 \(N\)=128–256，去探索远比过去宽广的推理轨迹空间；然后不做全量更新，而是做优势极值筛选——只在一个规模为 \(m\) 的信息性子集上更新，取优势最大的 \(m/2\) 条与优势最小的 \(m/2\) 条。同时选两端与奖励方差最大化策略一致，能给出更强的对比信号。

REST 之所以便宜，是因为它吃透了 LLM RL 里的算力/显存不对称：rollout 生成高度并行、激活存储需求小、批量执行吞吐高，多采样的成本可以被摊薄；而策略更新因为优化器状态和设备间同步，才是显存与通信的重头。于是把探索空间扩大 16 倍（\(n\) 16 → 256）只让端到端墙钟时间涨了约 2 倍（每步从 170 s 增到 364 s），贵的部分几乎没变。效果上，它显著提高难题中「稀有成功推理路径」被观测到的概率，把这些难以唤起的能力内化下来；用 ReasonSeg-X 的 240 条训练样本做 Stage-2，ReasonSeg-X / ReasonSeg-R 分别再涨 1.5 / 1.6 个点。

5. 掩码级多数投票：把多数投票搬到像素级

多数投票在答案空间离散（比如数学题比两个答案是否相等）时天然成立，直接搬到像素级、多目标的预测上就失效了——两张掩码没法「投票相等」。StAR 的做法是先把并行的多条响应里所有掩码候选汇成一个池子，用贪心过程做 IoU 聚类：对每个候选计算它与已有簇代表掩码的 IoU，超过阈值 0.85 就归入该簇，否则新建一簇；目标实例数 \(\hat{K}\) 取各条响应预测目标数的众数，若「无目标」占多数则直接输出「无目标物体」；随后按票数给簇排序，取前 \(\min(\hat{K}, \#\text{clusters})\) 个簇，每簇内部用 SAM 的掩码质量分挑出置信度最高的那一个实例掩码，最后把选中的实例掩码取并集作为整体预测。这套策略与具体框架无关，任何 MLLM 分割框架都能套用；在 StAR 自己很宽的推理模式分布上（默认并行采样 32 条），它在几乎全部基准和所有模型规模上都稳定涨点，7B 在 ReasonSeg-X 测试集上由此拿到与 72B 的 SAM 3 Agent 相当的整体成绩。

一个完整示例¶

以图 7 的收据样本为例，查询是「找出这张收据上，所有人一开始点了同一道菜之后、订单第一次分岔的那一组菜单项」。训练时流程这样转：模型先展开 CoT——统计各行出现次数，发现 "Frangelico" 出现 4 次、说明大家都点了它，再往下看到 "Espresso" 与 "Cappuccino" 以不同组合出现，于是判定分岔点在这里；接着按标签预测的格式先输出 {"label": "divergent menu-item group", ...}，再给出该区域对应的 bbox 与代表点；几何提示送进冻结的 SAM 2 得到掩码，与 GT 掩码算 IoU，落入中间档位，奖励远未饱和。REST 在这一步发挥作用：从 256 条 rollout 里，少数几条把分岔点找对并把掩码切准（IoU > 0.90，拿到最高档），成为优势最大端；另有一批连目标都圈错、IoU 接近 0 的 rollout 成为优势最小端；只取这两端的 \(m\)=16 条做 LoRA 策略更新，把「怎么数、怎么比」这类推理路径固化成梯度。

推理时同一查询并行采样 32 条响应，每条的掩码候选用 IoU 0.85 阈值贪心聚类：大部分响应圈到的是同一片菜单项，聚成一个高票簇；个别把整段收据都圈进去的候选因与代表掩码 IoU 不足而另起一簇，票数很低。取目标数众数作为 \(\hat{K}\)，按票数取前 \(\hat{K}\) 个簇，每簇用 SAM 掩码质量分挑出最好的那一个，并集即为最终输出——比只取第一条响应更稳。

损失函数 / 训练策略¶

训练分两阶段，两阶段都用 GRPO。Stage 1 的目标是唤起灵活定位能力、同时尽可能保住预训练视觉感知，因此使用 VisionReasoner 收集的训练集但剔除其中的推理数据样本（LISA++），只留 LVIS、RefCOCOg、gRefCOCO 共 5k 条；Stage 2 在 Stage-1 模型上继续微调 ReasonSeg-X 训练集（240 条），用来激活复杂推理潜力、得到最终模型。GRPO 本身沿用组内归一化优势的写法：

\[ A_i=\frac{r_i-\text{mean}(\{r_i\}_{i=1}^{n})}{\text{std}(\{r_i\}_{i=1}^{n})},\qquad \mathcal{J}_{\text{GRPO}}(\theta)=\mathbb{E}\Big[\frac{1}{n}\sum_{i=1}^{n}\min\big(\rho_i A_i,\ \text{clip}(\rho_i,1-\epsilon,1+\epsilon)A_i\big)-\beta\,\mathbb{D}_{\text{KL}}(\pi_\theta\|\pi_{\text{ref}})\Big] \]

其中 \(\rho_i=\pi_\theta(o_i|q)/\pi_{\theta_{\text{old}}}(o_i|q)\)，\(\epsilon\)、\(\beta\) 为超参；StAR 的 LoRA 配置把 KL 惩罚项去掉（即 \(\beta=0\)），这也是它省掉一份参考模型显存的原因。实现上，基座用 Qwen2.5-VL 7B 与 Qwen3-VL 8/32B，掩码生成器统一为 SAM 2 Large；batch size 16，学习率 \(1\times10^{-5}\)（Stage 2 为 \(5\times10^{-6}\)），所有基座都用 LoRA rank 64，REST 只在 Stage 2 启用，多数投票默认采样 32 条推理路径。

实验关键数据¶

主实验¶

评测指标为 gIoU 与 cIoU：gIoU 是逐样本 IoU 的平均，cIoU 是累计交集除以累计并集，前者对每个样本等权、后者对大面积目标更敏感，两个都报能避免只挑对自己有利的那个。评测集包括 ReasonSeg（RS）、作者整理的 ReasonSeg-R、新建的 ReasonSeg-X（P/F、C/KI、C/R、C/MH 四类推理）以及 MMR，另有 RefSpatial-Bench 做机器人空间指代。

方法	基座	RS test gIoU/cIoU	RS-R gIoU/cIoU	RS-X test gIoU/cIoU	RS-X C/MH gIoU/cIoU
LISA (ft)	Llama2 13B	51.5 / 51.3	52.5 / 53.3	25.1 / 26.0	13.8 / 16.8
SAM-R1	Qwen2.5-VL 7B	60.2 / 54.3	–	–	–
SAM-Veteran	Qwen2.5-VL 7B	62.6 / 56.1	–	–	–
VisionReasoner	Qwen2.5-VL 7B	63.6 / 55.7	64.8 / 56.8	42.2 / 33.8	24.5 / 23.8
StAR stage-1	Qwen2.5-VL 7B	66.7 / 60.8	69.0 / 65.6	47.4 / 40.6	24.5 / 25.1
SAM 3 Agent（串行精修）	Qwen2.5-VL 72B	71.8 / 65.2	72.4 / 65.3	49.8 / 40.3	30.8 / 35.1
StAR	Qwen2.5-VL 7B	67.5 / 61.3	69.7 / 66.2	49.2 / 43.6	28.0 / 28.8
StAR + MV	Qwen2.5-VL 7B	68.5 / 65.0	70.7 / 67.2	50.3 / 44.9	27.9 / 30.5
StAR + MV	Qwen3-VL 8B	71.8 / 66.5	74.9 / 69.7	59.6 / 53.1	39.5 / 41.7
StAR + MV	Qwen3-VL 32B	72.7 / 68.1	75.0 / 70.6	64.1 / 60.8	47.9 / 50.3

跨基准的泛化表现：

基准	设定	StAR	对比对象	差距
MMR Obj&Part gIoU	零样本	33.0（7B + MV）	28.4（VisionReasoner 7B）	+4.6
MMR Obj test gIoU	零样本	45.6（7B + MV）	37.2（VisionReasoner 7B）	+8.4
MMR Part gIoU	零样本	14.9（7B + MV）	13.6（M2SA，Llama2 13B，训练集含 MMR）	+1.3
RefSpatial-Bench Location	零样本	62.00（8B）	52.00（RoboRefer-8B）	+10.00
RefSpatial-Bench Unseen	零样本	38.96（8B）	37.66（RoboRefer-8B）	+1.30

消融实验¶

设计轨迹（沿四条轴逐步改装，ReasonSeg-X/R 合计 +7.0 / +4.9 gIoU）：

配置	RS-X test gIoU	RS-R gIoU	说明
VisionReasoner-7B（起点）	42.2	64.8	全参数微调 + 原始奖励 + 纯几何答案
+ 高秩 LoRA（r16 → 64，LR 1e-5，去 KL）	45.4	66.1	训练开销降到基线 1/2 以下
+ 掩码 IoU 分段奖励，rollout 8 → 16	47.1	66.6	奖励变细后加 rollout 才有收益
+ Stage-2（REST，n 16 → 256，m 16）	48.6	68.2	240 条样本上再涨 1.5 / 1.6
+ 标签预测（最终 StAR-7B）	49.2	69.7	视觉注意力占比 5.3% → 6.3%

REST 探索强度与答案顺序（左表为 RS-X test gIoU，默认设置以粗体标出）：

REST 采样数 n	StAR-7B	StAR-7B + MV	StAR-8B	StAR-8B + MV	每步训练耗时
16	48.4	49.3	57.1	58.1	170 s
64	49.2	49.5	56.9	58.3	214 s
128	49.4	49.8	57.3	59.0	260 s
256	49.2	50.3	57.9	59.6	364 s

答案顺序	StAR-7B RS-R	StAR-7B RS-X	StAR-8B RS-R	StAR-8B RS-X
label first（默认）	69.7	49.2	73.8	57.9
label last	68.2	46.3	73.1	55.8

关键发现¶

stage-1 就已经反超同基座的所有对手：不碰任何推理数据、只在 5k 条指代分割样本上做 RLVR，StAR stage-1 在 RS-X 测试集就拿到 47.4 gIoU（VisionReasoner 为 42.2），说明前四条设计轴的收益主要来自「不损伤基座 + 把奖励对齐到掩码」，而不是靠更多推理数据堆出来的。
奖励变细是 rollout 规模化的前提：VisionReasoner 上把 rollout 从 8 提到 16 毫无收益，StAR 换成分段掩码奖励后同样的动作才带来 +1.7 / +0.5。也就是说「加采样」本身不是免费的午餐，只有当奖励能区分不同 rollout 时，多出来的采样才转化为梯度。
模型规模与基准难度的交互很能说明问题：StAR-8B 与 StAR-32B 在 ReasonSeg-R 上差距不明显（74.9 vs 75.0），到了含更多 C/R、C/MH 的 ReasonSeg-X 上差距立刻拉开（59.6 vs 64.1）；这既说明大模型被压抑的推理潜力更多，也说明 ReasonSeg-X 这类深推理基准是必要的。
标签预测起作用的是顺序不是标签：同样训练好的模型，测试时把标签挪到最后，RS-X 从 49.2 掉到 46.3；反之若模型本来就按标签在后来训练，测试时改成标签在前会明显提升。收益来自「以语义为条件的坐标预测」这一重构，而不是多输出了一段文本。
多数投票的收益随探索程度与基座能力一起放大：7B 上 MV 带来约 +1.1 的 RS-X gIoU，8B 上 +1.7，32B 上 +2.4；REST 的 \(n\) 从 16 增到 256 时 MV 增益也从 +0.9 涨到 +1.1（7B）。作者的解释是训练与测试的采样分布被拉得更近。

亮点与洞察¶

「省钱」与「涨点」在这里是同一件事：LoRA 省下的显存被显式重投到 rollout 扩张，而 rollout 又是廉价的并行部分——REST 把 16 倍探索空间只换来约 2 倍墙钟时间。把训练算力按「贵/便宜」拆开做资源再分配，这个思路可以直接迁移到任何 GRPO 类训练里。
给答案格式加一个字段就能改注意力分配：标签预测只改 prompt/response schema，却把视觉 token 注意力占比从 5.3% 推到 6.3%。相比那些要改训练/推理流程来强化视觉依赖的方法，这是极低成本的对齐手段，值得在其他需要 grounding 的任务上试。
把奖励函数当作可验证性的接口：StAR 没有让 SAM 参与训练（它被冻结），却把 SAM 的输出变成奖励信号，从而让一个不可微的分割组件反过来监督可微的推理模型。这种「冻结工具 → 度量 → 奖励」的用法，可以推广到任何「推理输出要被昂贵工具消费」的任务。
最长的那根轴是并行而非串行：在与 SAM 3 agentic 精修相反的方向上，论文证明了并行采样的收益天花板还远没到，且越大越强的基座受益越多。

局限与展望¶

论文自陈的主要局限在评测与数据侧：ReasonSeg-X 只做了 1,169 条样本，其中训练集仅 240 条，Stage-2 的收益高度依赖这 240 条的质量与覆盖；四类推理类型的边界在 P/F ↔ C/KI 上难免模糊，作者也承认做了「严格区分」但未给出标注一致性指标。
测试时扩展的代价被低估地呈现了：MV 默认采样 32 条，虽然论文报的是收益，但 32 倍推理开销在真实部署（尤其是机器人场景）并不总是可接受；论文也没有给出 MV 采样数与精度/延迟的完整曲线。
掩码奖励的档位设计是手动设定的分段函数，为什么是 0.90 / 0.30 这两个阈值、档位值为什么取 5 / 1 / 0.6，论文没有做敏感性分析（⚠️ 且缓存 PDF 中该公式排版损坏，档位细节以原文为准）；这类奖励的档位一旦设计不当，很可能重新引入 reward hacking。
改进方向：把 REST 的 \(m\) 与 \(n\) 做成随训练进程自适应的（早期多探索、后期收窄），以及把 MV 的簇数阈值 0.85 从固定值改为按预测不确定度自适应，都是低风险高收益的下一步。

评分¶

新颖性: ⭐⭐⭐⭐ 单点技术多为已有思路的重新组合（LoRA、分段奖励、多数投票），但把 RLVR 设计空间系统化并首次给分割引入并行测试时扩展，整体框架是新的。
实验充分度: ⭐⭐⭐⭐⭐ 四个推理分割基准 + 机器人空间指代 + 多基座规模（7B/8B/32B），消融覆盖每条设计轴并给出训练耗时。
写作质量: ⭐⭐⭐⭐ 设计轨迹（图 4）串得清楚，动机与消融一一对应；不足是公式排版与部分图表在 PDF 中损坏，档位细节需回原文核对。
价值: ⭐⭐⭐⭐⭐ 对做 RLVR + 密集预测的团队，这是一份可直接照抄的「哪些配置会拖后腿」的清单，ReasonSeg-R/X 也会被后续工作长期使用。