**iVGR：通过强化学习将视觉定位推理内化到多模态大语言模型**

_iVGR: Internalizing Visually Grounded Reasoning for MLLMs with Reinforcement Learning_

> 本文探讨了视觉定位思维链（CoT）在多模态大语言模型（MLLMs）中的应用。研究发现，在推理阶段强制使用显式物体框往往会降低性能。作者提出了一种名为iVGR的强化学习框架，通过双流训练策略，将视觉定位能力内化到文本推理过程中。该方法使用一致性奖励来对齐文本流和高质量的视觉定位流，使模型在推理时无需显式定位也能实现准确定位。实验表明，该方法在细粒度基准测试中显著优于现有基线，同时保持了支持工具辅助推理工作流的灵活性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-01 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.31096)