无标签奖励

R-C2：循环一致性强化学习提升多模态推理

R-C2: Cycle-Consistent Reinforcement Learning Improves Multimodal Reasoning

用跨模态循环一致性构造无标签的密集奖励，可直接迁移到 VLM 的视觉问答与多模态推理训练中，替代投票式自一致性来抑制模态偏置。