Tag · 7 篇
可验证奖励
VideoSSR：视频自监督强化学习
VideoSSR: Video Self-Supervised Reinforcement Learning
提出三种视频自监督前置任务（异常定位、物体计数、时序拼图）来自动生成可验证的训练数据，为视频多模态大模型提供无需人工标注的强化学习训练信号，可直接用于提升视频时序定位与复杂推理能力。
Spatial-SSRL：通过自监督强化学习增强空间理解
Spatial-SSRL: Enhancing Spatial Understanding via Self-Supervised Reinforcement Learning
把普通 RGB/RGB-D 图像自动转成可验证奖励的自监督 pretext 任务（打乱图像块重排、翻转识别、裁剪块修复、区域深度排序、相对 3D 位置预测），可直接用于 LVLM 的 RLVR 训练，绕开人工标注与专用工具，是提升视觉语言模型空间理解的可复用数据构造思路。
扩展智能体强化学习以提升视觉语言模型中的工具集成推理
Scaling Agentic Reinforcement Learning for Tool-Integrated Reasoning in VLMs
提供了一个可扩展的视觉智能体强化学习训练环境与标准化视觉工具接口，视觉研究者可复用其多轮轨迹采样与可验证反馈机制，训练 VLM 学会在推理中自主调用 grounding、parsing 等视觉工具，从而把「看图」变成多步交互式推理。
面向机器人抓取的障碍物推理
Obstruction Reasoning for Robotic Grasping
把「障碍物推理」形式化为以目标物体为起点的障碍路径多步推理，并用障碍感知视觉线索锚定每一步推理，再以可验证奖励做监督+强化微调；做具身操作或 VLA 的研究者可复用该推理链构造与奖励设计，UNOBench 也可作为遮挡场景抓取的评测基准。
通过宽基线匹配激发多模态大语言模型中的复杂空间推理
Eliciting Complex Spatial Reasoning in MLLMs through Wide-Baseline Matching
把宽基线匹配当作可验证奖励信号，用强化学习（DCRL）在无 CoT 监督下提升 MLLM 的几何与视角变化推理；其从 RGB-D 视频与 SfM 重建自动挖掘宽基线视图对的数据流水线，可直接复用于构建空间对应训练数据。
EMAD：面向阿尔茨海默病的以证据为中心的可定位多模态诊断
EMAD: Evidence-Centric Grounded Multimodal Diagnosis for Alzheimer's Disease
把「句子→证据短语→3D MRI 解剖结构」的分层视觉定位机制与可验证奖励的强化微调结合，可复用于任何需要让生成式报告中的每条结论落到具体图像区域的可解释医学视觉语言任务；GTX-Distill 用弱监督教师向模型自生成报告的学生迁移定位行为，为降低密集标注成本提供了可借鉴范式。
CARE 何为失败：面向可验证多模态推理的对比锚定反思
CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal Reasoning
对做多模态推理后训练的人，CARE 给出了一套把「全错批次」和「接近正确」的 rollout 转成对比监督的具体配方：锚定对比目标 + 组内 z-score 归一化 + 全负样本救援，可直接替换 GRPO 的损失项；RGR 的单样本结构化自修复则提供了一种无需测试时反思就能把近失样本转成正样本的重采样策略。