**视觉锚定思维：让视觉语言模型在推理时显式引用图像证据**

_Thinking with Visual Grounding_

> 本文提出视觉锚定思维方法，让视觉语言模型在推理过程中通过点或边界框显式标注各步骤依赖的图像区域，从而提升推理的可解释性和可验证性。通过合成流水线和锚定感知强化学习训练，该方法在计数和空间推理任务上持续提升Gemma3-4B-IT的性能，在空间推理上4B模型甚至媲美或超越27B模型，表明将中间思考与图像证据关联能显著增强视觉推理能力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-19 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.16122)