核心观点 - 提出基于视觉 Grounding 的多轮强化学习方法 MGPO，使多模态大模型（LMMs）能在多轮交互中自动预测关键区域坐标，裁剪子图像并整合历史上下文，实现高分辨率图像的精准推理 [1][8] - MGPO 无需额外 Grounding 标注，仅通过最终答案正确性的反馈即可让模型涌现出鲁棒的视觉 Grounding 能力 [2][8] - 相比监督微调（SFT）和 GRPO，MGPO 在高分辨率图像 Benchmark 上表现显著提升，在 MME-Realworld 和 V* Bench 分别提升 5.4% 和 5.2% [18] 方法创新 - 自上而下的可解释视觉推理：赋予 LMMs 问题驱动的视觉搜索机制，提供可解释的视觉 Grounding 输出 [2] - 突破最大像素限制：即使高分辨率图像缩放后模糊，模型仍能准确识别相关区域坐标并从原始图像中裁剪出清晰子图像 [2] - 固定两回合对话模板：解决模型冷启动问题，第一轮要求输出区域坐标，第二轮回答问题 [13] 实验结果 - 在 V* Bench 上，MGPO 达到 76.4 分，超过 GRPO 的 71.2 分和 SFT 的 71.7 分 [18] - 基于 7B 模型和 2.1 万样本训练的 MGPO 模型超过 OpenAI 的 o1（69.7 分）和 GPT-4o（73.9 分）[18] - RL 训练过程中，MGPO 生成的有效 Grounding 坐标比例显著上升，证明其自主涌现视觉 Grounding 能力 [19] 技术原理 - 模拟人类多步视觉推理：先预测关键区域坐标并裁剪子图像，再结合上下文进行推理 [10] - 坐标归一化与子图像裁剪：从原始高分辨率图像中裁剪清晰子图，避免缩放导致的细节丢失 [15] - 仅需标准 VQA 数据即可训练，无需昂贵 Grounding 标注 [8][19]