同一奖励、不同技能：多模态强化学习何时学会“看”
该研究提出“视觉可解性”设计规则，要求正确答案必须依赖视觉证据且任务可学习，并在反事实坐标场景上用标准 GRPO 与正确性加格式奖励训练 Qwen2.5-VL-7B：在比训练更密集的留出 20 点场景上，发现目标准确率从 0.425 升至 0.875；把测试图像换成灰色画布后准确率降为零，而用灰色画布训练在匹配的第 30 步、四个随机种子下几乎不产生该增益，说明增益来自训练图像；在相同图像、奖励与预算下加入能回答训练问题的说明文字，增益减少近三分之二。