Г-ГРПО: Учёба в целях совершенствования пространственного обоснования
arXiv: 2606.29915v2 Annuales Type: заменить резюме: модели на языке зрения (VLM) добились высоких результатов в работе по визуальному обоснованию, однако правильный окончательный ответ не обязательно означает, что модель была основана на правильном или визуальном анализе. Мы изучаем вопрос о том, как научить МЭЖП производить четкие промежуточные логические шаги, которые являются одновременно сэмантически значимыми и основаны на визуальных доказательствах. Мы представляем каждый этап аргументации как структурированный тройняк, состоящий из подвопроса, субответов и поддержки сужающего шаблона, что позволяет оценивать процесс рассуждений в зависимости от семантического и пространственного измерений. Для оптимизации этого представления мы внедряем систему дополнительного обучения венгерско-ГРПО (Г-ГРОП), которая обеспечивает согласование прогнозируемых и справочных этапов рассуждений с использованием перемотрового и неинвариантного венгрского сопоставления, избегая предположения о том, что обоснованные логические шаги должны следовать фиксированному порядку. Эксперименты показывают, что оптимизация обоснованных рассуждений улучшает оба эти аспекта.