HART: High-Resolution Annotation-Free Reasoning Technique through a Closed-loop Framework

会议: ECCV 2026
论文: ECCV 原文
代码: https://github.com/RL-MIND/HART
领域: 多模态VLM / 视觉推理
关键词: 高分辨率视觉推理、视觉定位、免标注强化学习、闭环自验证、AP-GRPO

一句话总结

HART 让模型先在降采样全图上预测关键区域，再故意扣留原图、只把该区域从原始高分辨率图上裁出来交给模型作答，从而让「答案是否正确」反过来成为「定位是否准确」的自验证信号，并用按优势动态加权的 AP-GRPO 做免框标注的定位直接优化，把 Qwen2.5-VL-7B 在 MME-RealWorld-Lite 上从 42.3% 提到 62.4%。

研究背景与动机

高分辨率输入一直是大型多模态模型（LMM）的软肋。视觉 token 数量随图像分辨率近似平方增长，而其中真正相关的往往只是很小一块，于是 Qwen2.5-VL、InternVL3 这类主流架构干脆给输入图像设一个最大像素上限——代价是关键细节被压掉，模型在遥感、自动驾驶、文档 OCR 这类"信息藏在局部"的场景上明显退化。一条被广泛采用的补救思路是模仿人眼中央凹的视觉定位式推理：先根据文本问题在降采样图上预测关键区域（ROI），再把该区域从原始高分辨率图上裁出来，连同降采样全图一起送进模型作答，只把算力花在真正承载答案的像素上。

问题出在"怎么训练"上。一条路线用带真值框的标注数据直接监督定位（Visual CoT 系列、VLM-R1、Point-RFT 等），定位确实被优化了，但框标注的采集成本很高，且很难规模化。另一条路线走强化学习：MGPO、DeepEyes、Pixel-Reasoner 只用最终答案的正确性做奖励，完全不需要额外标注，看起来更通用——可是这个奖励根本不反映定位质量。模型即使在错误的位置上答对了，照样拿正奖励，于是策略被推向"随便框一下、靠语言先验蒙答案"的方向。作者把这个现象称为奖励错配（reward misspecification），并在 Visual CoT 上做了先导实验量化它：在过滤掉描述性问题和 yes/no 题之后剩下的 4,042 道题上（每题一个真值框，判定标准是至少一个预测框覆盖真值面积超过 0.3），Qwen2.5-VL-7B 答对了 2,895 题，其中有 1,057 题的框是错的，占 36.5%；InternVL3-8B 更严重，答对的 2,129 题里有 1,359 题框错，占 63.8%。也就是说，这些"免标注"方法发出的正奖励里有相当大一部分其实奖励了错误的定位，而它们又没有任何机制能察觉这件事。

本文的突破口是：既然没有框标注就算不出定位误差，那就把定位质量编码进答案里。如果模型裁出来的区域真的够用，那么即使把原图拿走、只给它这几块子图，它也应该答得出来；反过来，如果框偏了，失去全图上下文后答案自然会掉下去。这样一来，"扣留原图、只凭 ROI 作答"就成了一次由模型自己完成的自验证，答案是模型自己生成的，监督信号不需要任何人工标注。核心 idea：用「原图扣留 + 仅凭 ROI 作答」构造闭环自验证反馈，把最终答案的正确性变成定位质量的代理监督信号，再用按样本优势动态加权的 AP-GRPO 抑制"答对但框错"样本带来的误导梯度，在零框标注的前提下直接优化视觉定位。

方法详解

整体框架

HART 的输入是一张高分辨率图像 \(I_f\) 和一个文本问题 \(q\)，输出是"定位框 + 答案"这样一条可解释的推理路径。整个后训练分两个阶段。阶段 1 是闭环强化学习：模型先在降采样全图上输出与问题相关的关键区域框，系统把这些框映射回原始高分辨率图上裁出子图 \(I_s\)，同时刻意扣留全图，只把子图和原问题交给模型作答；答案的对错就是奖励信号，经 AP-GRPO 按样本优势加权后回传，直接更新定位策略。阶段 2 是 SFT：把全图放回去，让模型在完整高分辨率输入下做监督微调，补回因"扣留全图"而损失的答题能力。

这里有两点是理解全文的钥匙。第一，反馈信号的来源不是外部框标注、也不是任何检测或分割模型，而是模型自己在"看不到全图、只能看子图"这个条件下的答案——定位准，子图自足，答得对；定位偏，子图缺料，答不对。第二，高分辨率信息是在"从原图裁剪 ROI"这一步进入流程的：模型始终只吃降采样图，不触碰最大像素限制，真正的高频细节通过裁剪窗口被局部、按需地喂进去，既绕开了分辨率上限，也省掉了全图高分辨率编码的冗余计算。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["高分辨率图 + 问题"] --> B["降采样全图<br/>预测关键区域 ROI"]
    B --> C["闭环自验证<br/>扣留原图，仅凭 ROI 作答"]
    C -->|答案正确即视为定位可信| D["AP-GRPO<br/>按优势动态加权更新策略"]
    D -->|策略更新后重新定位| B
    D --> E["RL → SFT 两阶段<br/>全图可见下补高分辨率推理"]
    E --> F["输出：定位框 + 答案"]

关键设计

1. 闭环自验证：把「答案对不对」变成「定位准不准」的监督信号

这是全文的枢纽，针对的正是前文那个痛点：只看最终答案的奖励无法分辨"框对了答对"和"框错了也答对"。HART 的做法是把一次普通的多模态问答拆成前后两步。第一步，模型在降采样全图和问题 \([I_f, q]\) 下输出关键区域的坐标框，指令是「输出与问题相关的关键图像区域的坐标」；第二步，系统从原始高分辨率图上裁出这些区域，把全图扣掉，并把指令改写成「你本来应该基于完整图像回答问题，但现在看不到完整图像，只能看到与问题相关的一些子区域，请回答以下问题」。模型此时必须仅凭 \(I_s\) 和 \(q\) 作答。于是"答对"这件事第一次隐含了"这块区域确实包含了回答问题所需的信息"，奖励函数没有变，仍然是答案正确性的二值判断，但奖励的含义变了。

作者用信息论的语言把这个变化写成了一个命题：记 \(L\in\{0,1\}\) 表示定位是否正确、\(R\in\{0,1\}\) 表示回答是否正确，则 HART 下二者的互信息严格大于基线，即 \(I_{\text{HART}}(L;R) > I_{\text{baseline}}(L;R)\)（证明在原文附录 A，⚠️ 以原文为准）。直觉是：闭环压低了"答对却定位错"这一格的概率，使 \(R\) 的熵变小、\(L\) 与 \(R\) 的因果依赖变强。实测支持了这个判断——同样的两个模型换到 HART 的问答协议下，"答对但定位错"的比例在 Qwen2.5-VL-7B 上从 36.5% 降到 21.5%（降 15.0 个百分点），在 InternVL3-8B 上从 63.8% 降到 55.9%（降 7.9 个百分点）。

闭环还顺带解决了高分辨率的两个实际困难：（a）定位质量可以自证，不再需要人工框；（b）放大到关键区域让模型看到更细的视觉信息，绕过了现有 LMM 的最大像素约束，同时避免了对全图做高分辨率编码的冗余计算。

2. AP-GRPO：按优势动态加权，压掉「答对但框错」的误导梯度

闭环把奖励的语义修好了，但并没有消除奖励错配的另一个来源：在 HART 的问答协议下，回答错的样本 \(r_i=0\) 既可能是定位错了、也可能是定位对了但推理没跟上，定位不确定性明显更高。vanilla GRPO 对组内所有样本一视同仁（优势 \(A_i\) 只做组内归一化），这些高不确定样本会和"定位可信"的样本拿到同样量级的更新。AP-GRPO（Advantage Preference Group Relative Policy Optimization）的做法是用样本自身的优势给它的损失项配一个动态权重：既然在闭环里答对更可能意味着框是对的，那就让答对的样本贡献更大、约束更松。

具体地，候选回答组 \(\{o_i\}\) 拿到二值奖励 \(r_i\in\{0,1\}\)，组内奖励均值为 \(\text{mean}(\{r_i\})\)，优化目标为

\[\mathcal{J}_{\text{AP-GRPO}}(\theta)=\frac{1}{G}\sum_{i=1}^{G}\Big(\mu_1^{(i)}\cdot\frac{\pi_\theta(o_i\mid q)}{\pi_{\theta_{\text{old}}}(o_i\mid q)}A_i-\beta\,\mu_2^{(i)}\cdot\mathbb{D}_{\text{KL}}\big[\pi_\theta\,\|\,\pi_{\text{ref}}\big]\Big)\]

其中两个权重因子只依赖样本相对组内均值的位置：\(\mu_1=1+k\,(r_i-\text{mean}(\{r_i\}))\)，\(\mu_2=\big(1-k\,(r_i-\text{mean}(\{r_i\}))\big)^2\)，\(k\) 是 HART 里唯一的超参数（正文取 0.6）。答对的样本 \(\mu_1\) 大于 1，优势项被放大；同时 \(\mu_2\) 小于 1，KL 惩罚被削弱，允许它更大程度地偏离参考模型——因为一个"只靠子图就答对"的轨迹本身就是可信的定位证据，不值得被参考模型拉住。⚠️ 原文公式（式 6）的排版信息有限，\(\mu_2\) 的平方项与整体形式为按上下文重建，请以原文为准。

作者进一步用命题 2 给出理论解释：设 \(g_{\text{AP-GRPO}}\) 与 \(g_{\text{baseline}}\) 分别为 AP-GRPO 与基线的梯度，在二值奖励的单步强化学习设定下，存在 \(\alpha\in[0,1]\) 使 \(g_{\text{AP-GRPO}} = g_{\text{baseline}} - \alpha\,P(L{=}0,r{=}1)\,\mathbb{E}_{L=0,r=1}[\nabla\log\cdot]\)。翻译过来就是：AP-GRPO 把"定位错却拿到正奖励"那部分样本对梯度的贡献显式地减掉了，而这正是前文所说的奖励错配的来源。相比等权处理的 vanilla GRPO，它带来三点收益：强化对正确 ROI 的注意力、在没有任何视觉监督的情况下直接优化定位、以及保持推理路径的可解释性。

3. RL → SFT 两阶段：先学会看对地方，再补回高分辨率推理

扣留全图意味着模型真的少看了信息，答题准确率必然受影响——消融表里 AP-GRPO 单独用（\(k=0.6\)）在 MME-RealWorld-Lite 上只有 53.3/48.0（感知/推理），而单做 SFT 是 54.0% 的总体准确率。所以 HART 在 RL 之后接一个 SFT 阶段，此时原图对模型完全可见，用常规自回归监督把高分辨率推理能力补回来，两者串起来才达到 62.4% 的总体表现。顺序是硬约束：消融中「先 SFT 再 AP-GRPO」在 \(k=0.6\) 下只有 51.7/48.1，远低于「先 AP-GRPO 再 SFT」的 64.9/58.5。一个自然的解释是，RL 阶段先把"只看局部也能答对"这件事逼出来，模型于是学会从子图里榨取信息，再放到全图下做 SFT 时它同时具备"会挑关键区域"和"会完整推理"两种能力；反过来先 SFT 会把模型固化成既有的答题模式，随后的 RL 定位信号很难再撼动它。数据上沿用 [4] 的干净划分：从 MME-RealWorld 训练集随机抽 10K 样本做 \(\mathcal{D}_{\text{RL}}\)，其余划给 \(\mathcal{D}_{\text{SFT}}\)，两个阶段的数据不重叠。

一个完整示例

以论文 Fig. 4 的 TreeBench 样例为例，题目要求模型先关注画面最右侧的男子、再做推理。假设这张图是 2152×1615：

1. 定位：模型只看到降采样全图，输出一个 ROI 框。若它把框画在了中间的人群上，从原图裁出的子图就不包含最右侧那个人。
2. 自验证：全图被扣留，模型拿到的只有这张子图和原问题。关键人物不在画面里，作答几乎必然出错，该回答拿到 \(r_i=0\)。
3. 加权更新：同一问题采样一组 \(G\) 个回答，其中"框对了那位男子、仅凭子图也答对"的回答拿到 \(r_i=1\)，按 AP-GRPO 的 \(\mu_1/\mu_2\) 获得更大的策略更新幅度；而答错的样本被压低权重。
4. 迭代：多轮之后，模型学会把框移到真正承载答案的区域。整个过程中没有任何框标注——信号完全来自模型自己在"只看子图"条件下的答案。

作为对照，如果沿用只看最终答案的基线（模型始终能看到全图），同一道题即使框画在中间人群上也可能靠上下文猜对，这个样本就会拿到正奖励、强化一次错误的定位——论文统计里 Qwen2.5-VL-7B 有 36.5% 的正奖励属于这种情况。⚠️ 上述框的具体位置为按论文描述的示意，原文 Fig. 4 未给出确切坐标。

损失函数 / 训练策略

优化的主体是上文 AP-GRPO 的目标（式 6）：优势项乘 \(\mu_1\)、KL 惩罚项乘 \(\mu_2\)，两者都由样本奖励相对组内均值的位置决定，超参数只有 \(k\)（正文取 0.6）。阶段 2 的 SFT 用标准自回归负对数似然，

\[\mathcal{L}(\theta)=-\,\mathbb{E}_{(x,y)\sim\mathcal{D}_{\text{SFT}}}\sum_{t=1}^{T}\log P\big(y_t\mid x,y_{<t};\theta\big)\]

其中 \(T\) 是文本长度，\((x,y)\) 是 \(\mathcal{D}_{\text{SFT}}\) 里的查询与目标回答。训练用 TRL 框架做分布式强化微调，基座模型为 Qwen2.5-VL-7B；所有对比的强化微调方法都使用同一个二值奖励（只判答案是否正确），并共用同一份 MME-RealWorld 训练集以保证公平。训练细节与开销见原文附录 C（⚠️ 正文未给出算力数字与推理延迟）。

实验关键数据

主实验

表 1：MME-RealWorld-Lite（分布内）上的答案准确率（%），括号内为子任务样本数；加粗为最优。

方法	参数	感知-自动驾驶 (350)	感知-遥感 (150)	推理-监控 (150)	总体
Qwen2.5-VL-7B	7B	30.0	32.7	28.7	42.3
LLaVA-OneVision-7B	7B	39.4	40.0	38.0	43.7
InternVL3-8B	8B	36.9	49.3	40.0	47.9
GRPO + SFT	7B	49.7	55.3	60.0	58.1
MGPO + SFT	7B	55.4	59.3	63.3	60.5
Pixel-Reasoner-7B	7B	30.9	52.0	46.0	49.7
DeepEyes-7B	7B	33.4	52.7	44.0	53.2
HART-7B	7B	57.7	58.7	58.7	62.4
Qwen2.5-VL-32B	32B	40.7	40.7	27.3	45.6
Qwen2.5-VL-72B	72B	30.6	34.0	26.7	43.7
GPT-4o	—	22.4	28.9	36.5	45.2
Claude 3.5 Sonnet	—	40.8	25.7	41.8	51.6

表 2：分布外 TreeBench 与跨分辨率基准上的准确率（%）

基准	能力	Qwen2.5-VL-7B	InternVL3-8B	LLaVA-OV-7B	HART-7B
TreeBench（总体）	高分辨率推理	37.0	38.8	37.3	43.7
BLINK	多图 VQA	55.2	55.5	48.2	56.8
Mantis-Eval	多图 VQA	70.8	70.1	64.2	72.8
MathVista	低分辨率 VQA	68.2	71.6	58.3	71.8
MMStar	低分辨率 VQA	59.3	53.5	56.7	62.8
V* Bench	高分辨率 VQA	78.5	72.3	70.7	80.6
HR-Bench-4K	高分辨率 VQA	70.1	70.8	64.3	71.1
HR-Bench-8K	高分辨率 VQA	61.0	62.0	59.8	71.9

表 3：定位准确率（覆盖率阈值 0.3，%）

方法	TreeBench 定位正确 ↑	Visual CoT 定位正确 ↑
Qwen2.5-VL-7B	50.2	66.0
LLaVA-OneVision-7B	38.3	67.0
InternVL3-8B	15.1	28.9
GRPO	51.0	66.1
MGPO	51.3	66.3
AP-GRPO（本文）	75.4	77.7

消融实验

表 4：各组件消融与超参数 \(k\) 敏感性（%）

配置	\(k\)	MME-RW-Lite 感知 / 推理	TreeBench 感知 / 推理
Qwen2.5-VL-7B（基线）	—	46.4 / 35.9	43.6 / 33.2
GRPO	—	52.1 / 49.1	52.3 / 32.0
MGPO	—	58.0 / 50.5	53.7 / 31.2
AP-GRPO	0.15	51.2 / 47.5	51.0 / 32.4
AP-GRPO + SFT	0.15	67.0 / 56.9	56.4 / 31.6
AP-GRPO	0.30	53.6 / 49.9	55.0 / 33.6
AP-GRPO + SFT	0.30	64.1 / 56.0	57.7 / 34.8
AP-GRPO	0.60	53.3 / 48.0	52.3 / 33.6
SFT + AP-GRPO（顺序对调）	0.60	51.7 / 48.1	55.0 / 32.4
AP-GRPO + SFT	0.60	64.9 / 58.5	57.0 / 35.9

关键发现

• 闭环带来的最大收益集中在"信息藏在局部"的感知子任务上：相对基座 Qwen2.5-VL-7B，感知-自动驾驶 +27.7、感知-遥感 +26.0、推理-监控 +30.0 个百分点；而在本来就靠全局语义的 OCR 上（87.6 → 89.6）几乎没有变化。跨分辨率基准上同样如此：V* Bench +2.1、HR-Bench-4K +1.0（本就不弱），但 HR-Bench-8K 从 61.0 拉到 71.9（+10.9）——分辨率越高，闭环"按需放大"的价值越明显。
• RL 与 SFT 缺一不可，且顺序不能反：单做 SFT 总体 54.0%，单做 AP-GRPO（\(k=0.6\)）感知 53.3，串起来才到 62.4%；把顺序对调成 SFT + AP-GRPO 只有 51.7/48.1。这说明 RL 阶段的作用是把"只看局部也能答对"逼出来，SFT 阶段再把全图推理能力接回去。
• AP-GRPO 的价值主要体现在定位本身，而不是单阶段的答案准确率上：表 3 里它的 TreeBench 定位正确率 75.4%，比 MGPO 的 51.3% 高出 24.1 个百分点，Visual CoT 上 77.7% 对比 66.3%；但表 4 里单用 AP-GRPO（53.3/48.0）反而不如单用 MGPO（58.0/50.5）。换言之，定位能力的提升只有在 SFT 补齐高分辨率推理后才会兑现成答案准确率——这也解释了为什么只看最终答案的方法无法直接优化定位：它们缺少一个把定位质量转成可用信号的环节。
• OOD 上的推理子任务仍然最难：TreeBench 的推理维度上，GRPO（32.0）和 MGPO（31.2）甚至低于不做后训练的基线（33.2），AP-GRPO 的 33.6 也只是小幅提升，真正把推理拉到 35.9 的是 SFT。结合 \(k\) 的敏感性看，\(k=0.6\) 在 TreeBench 上最好、\(k=0.15\) 在 MME-RW-Lite 感知上最好（67.0），说明单一 \(k\) 并不对所有分布通用，只是差距在可接受范围内。
• 可迁移性：把 HART 用到 InternVL3-8B 上，MME-RealWorld-Lite 感知从 46.4 提到 61.8、TreeBench 感知从 46.3 提到 59.1，证明这套闭环并不绑定在某个基座模型上。

亮点与洞察

• 把"评估"变成"训练信号"：没有框标注时无法计算定位误差，HART 干脆让答案本身携带定位信息——扣掉全图后还能答对，就说明框对了。这是一个几乎零成本的监督信号构造，却把"免标注方法无法优化定位"这个死结解开了，是本篇最"啊哈"的地方。
• 奖励函数一字未改，改的是奖励的语义：仍然是二值答案奖励，但通过改变推理时的观测条件（是否给全图），同一个奖励从"衡量答案"变成了"衡量定位"。这种"不换损失换语境"的思路可以迁移到任何"最终指标可观测、中间质量不可观测"的任务上，比如检索增强生成里用"去掉原始文档后能否答对"来监督检索质量。
• AP-GRPO 的两个权重因子设计得很省：\(\mu_1\) 放大优势项、\(\mu_2\) 放松 KL 约束，都只依赖样本奖励与组内均值之差，不引入任何额外网络或标注，超参数只有 \(k\) 一个。这种"在 GRPO 的等权假设上做一点偏好倾斜"的做法，基本可以直接搬到其他带组内归一化的 RL 微调流程里。
• 两阶段顺序被实验做实：RL 先行、SFT 收尾，且两阶段数据严格不重叠。顺序对调后掉 13 个百分点以上，这个结论对后续做"RL + SFT 混合后训练"的工作有直接参考价值。

局限与展望

• 提升高度依赖训练分布：\(\mathcal{D}_{\text{RL}}\) 与 \(\mathcal{D}_{\text{SFT}}\) 都来自 MME-RealWorld 训练集，分布内提升巨大（+20.1），分布外 TreeBench 只有 +6.7；在高分辨率基准上仍是私有模型领先（o3 54.8、Gemini-2.5-Pro 54.1 对 HART-7B 43.7）。作者主要报告了 7B 规模的结果，32B 与 Qwen3-VL-8B 的结论放在附录，正文没有展开。
• 自验证信号本身是有噪声的代理：论文在构造先导实验时主动剔除了 yes/no 题，说明当答案可以靠二选一猜中时，"答对 ⇔ 定位对"的对应关系会明显变弱。对开放式生成、答案可通过语言先验蒙对的任务，这个闭环的可靠性需要重新评估。
• 定位评测用的是自定义指标：判定标准是"至少一个预测框覆盖真值面积超过 0.3"，属于 intersection-over-ground-truth 而非标准 IoU，阈值偏宽松；作者在附录里报告了更严格的阈值与 IoU 曲线，但正文结论建立在宽松阈值上，与其他工作的定位数字不完全可比（⚠️ 该指标的具体定义以原文为准）。
• 多轮推理带来额外开销：每道题至少要走"定位 → 裁剪 → 基于子图作答"两轮，缓存里没有报告延迟或 token 成本，实际部署时的性价比尚未评估；ROI 框的数量上限与选择策略正文也没有交代。
• 可改进方向：把二值答案奖励扩展成过程奖励（例如对子图自足性的置信度做连续打分），缓解猜对带来的噪声；设计随分布自适应的 \(k\) 而非固定 0.6；把闭环从单图扩展到视频/多图高分辨率场景，让"扣留上下文"的验证形式更丰富。

相关工作与启发

• vs MGPO / DeepEyes / Pixel-Reasoner（免标注定位式 RL）：三者都做视觉定位式推理的强化微调，奖励只看最终答案；MGPO 靠多轮 grounding 流程，DeepEyes 把裁剪当工具、Pixel-Reasoner 用好奇心驱动探索。它们的共同短板就是奖励错配——表 3 里 MGPO 在 TreeBench 上的定位正确率仅 51.3%，几乎与基座持平。HART 通过"扣留全图作答"把定位质量塞进答案里，定位正确率做到 75.4%，且不需要额外的工具调用策略。
• vs 用真值框监督的方法（Visual CoT / VLM-R1 / Point-RFT）：这些方法用 GT 框的差异直接更新策略，定位优化是显式且干净的，但依赖大规模昂贵标注。HART 完全不用框标注，代价是监督信号是一个间接代理，因此在高分辨率之外的通用能力上提升有限（MMStar +3.5、MathVista +3.6，属于正常增益）。
• vs vanilla GRPO：GRPO 组内等权，在闭环里会把"定位不可信"的样本也同等对待；AP-GRPO 只改了权重因子（\(\mu_1\) 放大、\(\mu_2\) 放松）就拿到 TreeBench 定位 +24.4 个百分点（对 GRPO 的 51.0% → 75.4%），说明在这个场景下"谁该被多学一点"比"换更强的优化器"更重要。

评分

• 新颖性: ⭐⭐⭐⭐☆ 把"扣留全图、仅凭 ROI 作答"当作免标注的自验证信号，是解决奖励错配的一个干净而少见的切入角度，AP-GRPO 则是这一思路的低成本落地。
• 实验充分度: ⭐⭐⭐⭐☆ 覆盖分布内/分布外与多分辨率共 7 个基准，有定位专测、\(k\) 敏感性、阶段顺序消融与跨基座迁移；但正文只报告 7B，缺少推理开销与更严格阈值下的主表结论。
• 写作质量: ⭐⭐⭐⭐☆ 先导实验把"36.5% 的奖励是错配的"摆出来再给方法，动机链条清楚；部分公式（式 6）排版损毁、若干结论推到附录，阅读时需要来回对照。
• 价值: ⭐⭐⭐⭐☆ 提供了一套不依赖框标注直接优化定位的通用后训练方案，且"改语境而非改损失"的思路可迁移到其他中间质量不可观测的任务。

相关论文

• [ICLR 2026] MedVR: Annotation-Free Medical Visual Reasoning via Agentic Reinforcement Learning
• [ECCV 2026] SyncLoop: A Multimodal Dual-Loop Framework for Self-Improving Mathematical Reasoning
• [ECCV 2026] Reasoning with Memory: A Temporal Granularity-Adaptive Framework for Training-Free Long Video Understanding
• [CVPR 2026] DeepScan: A Training-Free Framework for Visually Grounded Reasoning in Large Vision-Language Models
• [CVPR 2026] Seeing What Matters: A Training-Free Self-Guided Framework for Multimodal Detail Perception and Reasoning