看图不等于会推理：TIGER只用合成渲染图训练，Qwen3-VL-8B在MathVerse从54.5升到65.8
多模态大模型能准确读出图中的文字，却常常无法像读纯文本那样对同一道题推理，这种落差被称为模态推理接入差距。TIGER把纯文本数学题渲染成图片，筛出模型读文本答对、看图片答错的样本，再用图像条件下的GRPO等目标做后训练。只用合成渲染图训练，Qwen3-VL-8B在MathVerse上从54.5升到65.8，Qwen2.5-VL-7B在MathVerse上从43.9升到47.5、在EMMA上从22.2升到25.7。