視覺語言模型（VLM）正經(jīng)歷從「感知」到「認(rèn)知」的關(guān)鍵躍遷。

當(dāng)OpenAI的o3系列通過「圖像思維」（Thinking with Images）讓模型學(xué)會縮放、標(biāo)記視覺區(qū)域時，我們看到了多模態(tài)交互的全新可能。

然而，當(dāng)前主流VLM仍被困在「文本繭房」中——依賴文本token間接翻譯視覺信息，在高清圖像中的微小物體、視頻里的動態(tài)細(xì)節(jié)等場景中，常常因缺乏直接視覺操作能力而「視而不見」。

來自滑鐵盧大學(xué)、港科大、中科大的研究團(tuán)隊，首次將推理戰(zhàn)場從文本空間拓展到像素空間，提出「像素空間推理」（Pixel-Space Reasoning）范式。

這項突破讓VLM能像人類一樣「眼腦并用」：通過原生視覺操作直接與視覺信息對話，在像素級精度上解鎖視覺理解的新維度。

推理模式重構(gòu)：從「文本中介」到「視覺原生」

傳統(tǒng)VLM如同帶著「文本濾鏡」看世界：將圖像翻譯成文本token再推理，導(dǎo)致小字體、隱蔽物體等關(guān)鍵信息在轉(zhuǎn)換中丟失。而「像素空間推理」賦予模型「視覺手術(shù)刀」般的能力：

• 視覺主動操作：模型可自主觸發(fā)視覺變焦（放大關(guān)鍵區(qū)域）、時空標(biāo)記（定位視頻動態(tài)線索）等原生操作，在像素矩陣上直接完成「操作 - 分析 - 推斷」的閉環(huán)推理，避免了文本轉(zhuǎn)譯導(dǎo)致的信息衰減。
• 視覺主導(dǎo)推理：視覺操作成為推理演進(jìn)的核心驅(qū)動力。例如圖例中，回答「咖啡杯 logo 品牌」時，模型先通過空間先驗定位桌面區(qū)域，再通過視覺放大逐行掃描杯身，最終在像素級精度上提取 logo 特征。這種「視覺線索引導(dǎo)推理」的機(jī)制，使模型能捕捉傳統(tǒng)方法難以處理的空間關(guān)系與動態(tài)細(xì)節(jié)，尤其在具身視覺導(dǎo)航、復(fù)雜視頻理解等場景中展現(xiàn)出顯著優(yōu)勢。

這種「眼腦協(xié)同」的推理模式，打破了文本對視覺語義的「翻譯牢籠」，讓模型真正具備了與人類視覺認(rèn)知同構(gòu)的推理能力。

學(xué)習(xí)陷阱破解：好奇心激勵突破認(rèn)知惰性困局

在能力遷移過程中，研究團(tuán)隊發(fā)現(xiàn)指令微調(diào)模型仍面臨「認(rèn)知惰性」帶來的嚴(yán)峻挑戰(zhàn)：成熟的文本推理能力與稚嫩的像素操作能力形成能力鴻溝，導(dǎo)致模型陷入「學(xué)習(xí)陷阱」：

1 負(fù)面反饋循環(huán)：初期視覺操作的低成功率引發(fā)大量負(fù)向信號，抑制模型使用新能力的意愿；

2 路徑依賴慣性：簡單任務(wù)中模型更傾向調(diào)用已掌握的文本推理，形成「新能力退化」的惡性循環(huán)。

如同熟練的滑雪者初次嘗試沖浪，初期的失衡體驗會讓人本能回歸熟悉領(lǐng)域，而忽視新技能的長期價值。

為打破這一困境，研究團(tuán)隊設(shè)計了內(nèi)在好奇心激勵配合外在正確性激勵的強(qiáng)化學(xué)習(xí)獎懲方案。通過引入內(nèi)在激勵鼓勵模型練習(xí)視覺操作，并引導(dǎo)模型逐步挖掘「像素空間推理」的潛在價值，而非僅依賴外在的正確性獎勵。這就像幼兒學(xué)步時，對新鮮動作的內(nèi)在好奇會驅(qū)動其反復(fù)嘗試，即使每次嘗試都伴隨著跌倒。因此，研究團(tuán)隊形式化出下面的約束優(yōu)化目標(biāo)

其中包含兩個關(guān)鍵約束用于有效激發(fā)「像素空間推理」

• 像素推理率約束（RaPR）：要求模型至少以特定比率觸發(fā)像素空間推理，克服認(rèn)知惰性；
• 操作效率約束：限制單次推理的視覺操作次數(shù)，在探索與計算成本間找到平衡。

通過拉格朗日松弛等效轉(zhuǎn)化為以下的獎勵函數(shù)：

其中的內(nèi)在好奇心激勵（r_curiosity）會在模型低頻觸發(fā)「像素空間推理」時提供內(nèi)在激勵，如同為探索未知領(lǐng)域的冒險者提供「勇氣加成」，降低嘗試新能力的機(jī)會成本。同時，隨著訓(xùn)練推進(jìn)，好奇心獎勵會動態(tài)衰減，確保模型最終聚焦于推理效率而非獎勵投機(jī)，形成「好奇驅(qū)動」到「效用驅(qū)動」的良性過渡。

性能驗證：7B 模型實現(xiàn)高效能突破

在四大視覺推理基準(zhǔn)測試中，基于Qwen2.5-VL-7B構(gòu)建的Pixel-Reasoner展現(xiàn)出碾壓級表現(xiàn)：

• V* Bench（高清圖像推理）：84.3%準(zhǔn)確率，超越GPT-4o（62.8%）和Gemini-2.5-Pro（79.2%）。
• TallyQA-Complex（復(fù)雜場景計數(shù)）：73.8%準(zhǔn)確率，較基線模型提升5.1%，能精準(zhǔn)區(qū)分圖像中相似物體的數(shù)量差異。
• InfographicsVQA（信息圖表理解）：84.0%準(zhǔn)確率，在混合文本與圖表的復(fù)雜場景中，推理準(zhǔn)確率達(dá)到Gemini-2.5-Pro水平。
• MVBench（長視頻推理）：67.8%準(zhǔn)確率，通過像素空間的時空操作捕捉視頻中的關(guān)鍵視覺線索，時序推理能力領(lǐng)先GPT-4o 3.2%。

值得注意的是，僅7B參數(shù)的Pixel-Reasoner，性能全面超越27B的Gemma3等開源模型，甚至媲美部分閉源商業(yè)模型，展現(xiàn)出「小模型大能力」的高效特性。

此外，研究團(tuán)隊也進(jìn)行了細(xì)節(jié)的實驗來分析模型「認(rèn)知惰性」帶來學(xué)習(xí)新推理能力的「學(xué)習(xí)陷阱」，為如何有效培養(yǎng)模型全新推理能力提供了深刻的啟示。

研究團(tuán)隊指出，像素空間推理并非對文本推理的替代，而是為VLM開啟了「第二思維通道」。當(dāng)視覺與語言雙軌并行，多模態(tài)模型才能真正理解世界的復(fù)雜性。

Pixel-Reasoner尚且是多模態(tài)推理范式的初步探索。從「看山是山」到「見微知著」，隨著多模態(tài)推理能力的進(jìn)一步發(fā)展，我們正迎來一個機(jī)器能「看得更細(xì)、想得更深」的智能時代。

論文地址：https://arxiv.org/pdf/2505.15966
項目主頁：https://tiger-ai-lab.github.io/Pixel-Reasoner/
模型試玩：https://huggingface.co/spaces/TIGER-Lab/Pixel-Reasoner