论文导读
卡内基梅隆大学、Meta联合提出SLVR，让AI先定位图片里的目标，再挑证据、组织答案，推理时不必写出长段过程。在300项带错误描述的诊断测试中，正确率从41.7%升至70.7%。模型可以回到画面核对颜色、数量和空间关系，减少跟着文字猜答案。
描述没写雨伞，AI得自己找
论文展示一张街边照片，蓝色围挡前有人和购物车，右侧还能看到黄色雨伞。原始描述直接写了雨伞，回答“右边有什么”可以抄文字。训练时把这条线索删掉，问题保持不变，AI必须从图里找出答案。
选项中还放入购物车、路灯等在画面里真实存在的对象。它们看起来合理，却不符合问题指定的位置。这类对照促使模型同时核对对象和关系，减少凭常见搭配猜测。
第一阶段从已有视觉推理数据中构建约2万条这样的样本。生成工具负责删去目标信息和设计选项，另一套检查负责排除答案泄漏、指代不清和多个正确答案；团队也抽查了约1000条。
图：蓝色围挡前的街景里有行人、购物车与黄色雨伞，文字样本删去了雨伞这一目标线索。
先找区域，内部推理也分步骤
第二阶段把模型内部推理分成几种具体工作：计划看什么，定位相关区域，选出图像证据，再综合得到答案。以盘中绿苹果计数为例，先找到盘子，再关注绿色苹果，最后给出数量。
图：左侧删去描述中的答案线索，右侧依次组织计划、定位、证据和答案的内部状态。
这些步骤不必全部写成供用户阅读的句子。训练时用已有计划、目标框和图像块监督内部状态，推理时在连续表示里完成中间计算，再生成最后的回答。它仍然进行推理，只是少生成显式的长段解释。
研究基于Qwen2.5-VL-7B，保持视觉编码器冻结，训练语言模型部分。位置和证据监督分别约束不同阶段，使内部计算有可检查的任务分工。论文并未把避免文字解码的开销汇总成某个固定倍数的实际加速。
错误描述下，300题答对70.7%
诊断测试选取300项与训练不重叠的案例，故意把描述里的关键视觉事实改成看似合理的错误信息，图像和问题不变。SLVR正确率为70.7%，基础模型为41.7%，提高29个百分点；跟随错误描述的错误率从46.0%降到14.7%。
描述保持正确时，两者正确率分别为84.3%和72.3%。同一个模型在图文冲突时仍然更难答对，70.7%不能推广成对任意错误提示都可靠。只做第一阶段训练的版本为58.3%，说明后续结构化推理还有额外贡献。
常规基准中，MMVP从66.7升到76.1，BLINK关系题从38.8升到53.0，分别提高9.4和14.2个百分点。空间、图表与视觉数学任务也有改善，但这些分数各有题目和计算方式，不能当成同一套综合正确率。
应用前景：看图问答，继续检查证据是否找对
论文对照了长文字推理、未分工的内部推理和按任务组织的内部状态。新方法保留了计划、区域和证据的监督，可以继续检查答错时究竟是看错位置，还是找到了对象却判断错关系。
后续扩展可以比较不同规模和不同架构，或让模型根据问题调整内部推理预算。作者目前的实验集中在7B骨干，已有多个视觉基准和误导描述测试，可以用相同口径继续检验迁移后的表现。
图：三条流程分别用文字链、无结构内部状态和分工的内部状态完成视觉推理。
