元动作分解

模仿人类认知，掌握多图推理：一种增强视觉理解的元动作框架

Mimic Human Cognition, Master Multi-Image Reasoning: A Meta-Action Framework for Enhanced Visual Understanding

把多图/多帧推理拆成 Global/Focus/Hint/Think/Answer 五个元动作，并用检索式树采样构造冷启动轨迹、再用两阶段强化学习（多样性保持探索 + DAPO 退火利用）训练，可直接迁移到需要跨图跨帧聚合证据的视觉语言任务上。