学习结果发生变化的位置：面向多模态几何的可归因信用推理
该研究提出“可归因信用推理”，将视觉语言模型在推理过程中使用的语义单元，与学习时比较不同选择并分配学习信用的位置对应起来。Code-CoT保留图表，并将视觉关系表示为可按行定位的可执行代码，再组织为带类型的事件。CE-GRPO利用结构先验和按类型归一化的熵来确定事件边界，从共享前缀生成完整后续序列，并将结果差异转化为局部优势。在9个几何推理基准测试中，该方法平均准确率达到76.04%，比Qwen3-VL-8B高8.09个百分点，比轨迹级GRPO高3.43个百分点。随着中间推理事件增多，其相对优势进一步扩大。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。