VLM物理推理：外部奖励与内部注意力奖励对比

一项研究对比了视觉语言模型物理推理中的两类奖励设计：依赖外部验证器的外部奖励（规则化格式与答案正确性检查、LLM-judge 评分标准），以及从模型自身对图像区域的注意力计算、无需标注或评判器的内部奖励。研究发现，外部奖励贡献了大部分准确率提升，对推理 token 给予奖励时推理更连贯。 内部注意力奖励可改善空间关系推理，与外部奖励互补：在 Molmo 2 上将其加入格式与准确率奖励后，无需额外标注成本即可提升平均准确率，并泛化到分布外任务。该研究由 Derek Lilienthal 等作者发表。 上述效果为论文报告的结果，尚未经独立验证。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。