Problem

當前視覺語言模型在處理高解析度影像時，往往難以精準捕捉微小但關鍵的視覺線索。現有方法雖嘗試透過裁切或搜尋局部證據來改善，但大多未明確區分「感知」與「推理」這兩個本質不同的運作過程，導致模型在複雜情境下的判斷準確度受限。

Method

研究團隊開發了 Perceive-to-Reason (P2R) 框架，將細粒度推理重新定義為兩階段流程：首先由「感知器」定位與問題相關的關鍵區域，再由「推理器」整合原始影像與局部裁切資訊進行解答。此外，引入 PRA-GRPO 強化學習策略，讓模型僅需最終答案的監督，即可在角色感知的引導下交替優化感知與推理能力。

Results

實驗結果顯示 P2R 在多種模型規模下均展現卓越進步。以 P2R-4B 為例，其在 V-Star 基準測試達到 93.2%，並在 HR-Bench-8K 取得 80.5% 的高分，大幅超越其原始基礎模型。此外，該框架的優勢也成功擴展到其他廣義的多模態推理任務中。

Significance

本研究證明將感知與推理明確解耦，是提升視覺模型處理複雜高解析度任務的有效框架。這不僅解決了模型在微小視覺特徵上的辨識痛點，更為未來構建具備更強邏輯性與證據導向的多模態 AI 系統提供了清晰的技術路徑。