推理多样性

殊途同归：激励视觉语言模型中的发散性思维

All Roads Lead to Rome: Incentivizing Divergent Thinking in Vision-Language Models

对做 VLM 推理增强的人，这篇给出了 GRPO 多样性坍塌的诊断（模型过早收敛到少数推理策略），并提出 MUPO 用多组策略优化维持解空间多样性，可直接替换 GRPO 的训练目标用于多模态推理微调。