**MRPO:通过步骤感知强化学习打破医疗多模态推理中的失败级联**

_Breaking Failure Cascades: Step-Aware Reinforcement Learning for Medical Multimodal Reasoning_

> 针对现有医疗多模态大模型训练过度关注最终结果导致早期推理错误引发级联失败的问题,研究者提出MRPO算法。该算法引入步骤级过程奖励,对早期无效推理步骤施加指数级惩罚,从而有效阻断错误传播。实验显示,MRPO在Qwen3-VL-8B-Instruct上超越了更大的医疗模型,并将早期推理失败率从64%大幅降至13%。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-07-03 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2606.31825)