本文提出了 Visual Re-Examination (VRE)，这是一个旨在增强多模态大模型 (MLLM) 视觉推理能力的自演进训练框架。通过引入“视觉再检查”机制，模型能够在其生成的推理链中主动重新关注原始图像特征，从而在 7B 参数规模下显著提升了在 MathVista、V*-Bench 等复杂推理任务中的表现。
TL;DR
多模态大模型（MLLM）在长文本推理时常常“虎头蛇尾”——刚开始看图说话，后半段就开始胡编乱造（即 Visual Drift）。来自中科大、华为及港科大的研究团队提出了 Visual Re-Examination (VRE)，不仅让模型学会了在推理过程中“回头看”，还通过自迭代强化学习，在不借助外部插件的情况下，让 7B 模型在视觉感知与数学推理指标上刷新了 SOTA。
1. 痛点：为什么 MLLM 会“视而不见”？
在复杂的多模态任务（如几何证明、精密 OCR 提取）中，模型需要维持极长的推理链（CoT）。研究者发现，随着推理步数的增加，模型对图像 Token 的关注度（Attention Weight）呈单调下降趋势。
- 视觉漂移 (Visual Drift)：模型生成越长，就越倾向于依赖语言模型的文本先验（Textual Priors）。
- 感知的“偶然性”：模型有时能看清，有时却“间歇性失明”。
- 现有方案的弊端：以往靠动态切图（Cropping）或调用外部工具（Tools）的方案就像给模型配“义肢”，虽然有效但增加了延迟，且容易导致感知对齐失调。
2. 核心直觉：挖掘潜伏的“检查员”
研究团队通过注意力分析发现，MLLM 内部其实存在一种潜在的后期视觉验证能力，只是它在推理时处于“休眠”状态。
VRE 的核心思想是：不需要外部老师教，也不需要新工具，通过模型自我博弈与迭代，将这种偶尔出现的“回头看”行为固化成一套可学习的策略。
图 1：VRE 框架概览。通过对比不同阶段的推理轨迹，筛选出具有“信息增益”的反射片段。
3. 方法论：VRE 的三阶自进化
VRE 的训练过程形成了一个闭环：
- 冷启动 SFT（Cold-Start）：利用模型自身在不同温度下的采样结果，识别出那些“原本错了但通过反思能对”的轨迹，建立起
<reflection>格式的初步认知。 - 强化学习 (RLVR)：采用 GRPO 算法，不仅奖励最终答案的正确性（Accuracy Reward），更关键的是引入了 Reflection Reward。只有当反射步骤提供了新增的视觉信息（而非废话）时，模型才会获得正反馈。
- 同源重构 (Homologous Reconstruction)：强制要求推理和反射使用同一个 Vision Encoder，防止产生“驴唇不对马嘴”的感知偏差。
4. 实验战绩：小模型的大爆发
在 7B 参数量级上，VRE 展现出了惊人的韧性。
- *视觉感知 (V-Bench)**：VRE 达到 83.8%，超越了 DeepEyesV2 和 Thyme 等依赖复杂工具的模型。
- 数学推理 (MathVerse)：相比基座 Qwen2.5-VL-7B 提升了 3.9%，证明了“回头看”对逻辑链纠错的巨大价值。
图 2：注意力可视化对比。基座模型（左）视觉注意力随步数消散，而 VRE（右）在反射阶段（Reflection Block）精确出现了注意力“脉冲回升”。
5. 深度洞察：模型到底在看什么？
VRE 训练出来的模型展现了三种高级反射行为：
- 纠错型 (Corrective)：发现前面的视觉理解错了，定位到新区域重新提取特征。
- 核查型 (Recheck)：即便算对了，也要在最后确认一次图中的关键数据，提高鲁棒性。
- 补充型 (Elaborative)：针对 OCR 等密集任务，主动补充背景细节。
通过 Conditional Entropy（条件熵） 验证，VRE 生成的反射内容具有极高的信息密度，彻底解决了模型常见的“自我复读”问题。
6. 局限性与展望
尽管 VRE 在 7B 分布上表现优异，但其推理成本相比基础推理略有增加（因为多了一次反射步骤）。未来的研究方向可能会探索如何将这种“视觉再检查”在更底层的 Transformer 架构中并行化，实现真正的“单次前向、多次聚焦”。
总结：VRE 告诉我们，多模态推理的瓶颈可能不在于 Vision Encoder 不行，而在于推理机（LLM）不懂得如何有效地、有目的地去调用现有的视觉信号。“多想一点，多看一眼”，简单直观的直觉往往能带来 SOTA 级别的突破。