Percibir-para-Razonar: Desacoplando Percepción y Razonamiento para el Razonamiento Visual de Grano Fino

Resumen

El razonamiento visual de grano fino sigue siendo un desafío para los modelos de visión y lenguaje, especialmente cuando pequeñas pero críticas pistas visuales están ocultas en imágenes de alta resolución. Los enfoques existentes dependen de recortes repetidos o búsqueda visual durante la prueba para introducir evidencia local, pero por lo general no distinguen explícitamente entre percepción y razonamiento. En este artículo, proponemos Perceive-to-Reason (P2R), un marco unificado que formula el razonamiento visual de grano fino como un proceso de dos etapas: primero, el modelo localiza la evidencia relevante a la pregunta como un Perceptor (Perceiver), y luego responde la pregunta como un Razonador (Reasoner) basándose en la imagen anotada y las regiones recortadas. Para alinear mejor el entrenamiento con esta formulación desacoplada, introducimos además Perception-Reasoning Alternating GRPO (PRA-GRPO), una estrategia de aprendizaje por refuerzo consciente de roles que alterna entre actualizaciones centradas en la percepción y actualizaciones centradas en el razonamiento, utilizando únicamente la supervisión de la respuesta final. Construido sobre Qwen3-VL-Instruct-2B/4B/8B, P2R mejora consistentemente el rendimiento en todas las escalas de modelo. En particular, P2R-4B alcanza un 93.2% en V-Star, un 81.9% en HR-Bench-4K y un 80.5% en HR-Bench-8K, superando sustancialmente a su correspondiente modelo base. Experimentos adicionales muestran que los beneficios de P2R se extienden más allá de los puntos de referencia de alta resolución a tareas más amplias de razonamiento multimodal. Estos resultados sugieren que desacoplar explícitamente la percepción del razonamiento proporciona un marco efectivo para el razonamiento visual de grano fino.

English

Fine-grained visual reasoning remains challenging for vision-language models, especially when small but critical visual cues are buried in high-resolution images. Existing approaches rely on repeated cropping or test-time visual search to introduce local evidence, but they typically do not explicitly distinguish perception from reasoning. In this paper, we propose Perceive-to-Reason (P2R), a unified framework that formulates fine-grained visual reasoning as a two-stage process: the model first localizes question-relevant evidence as a Perceiver, and then answers the question as a Reasoner based on the annotated image and cropped regions. To better align training with this decoupled formulation, we further introduce Perception-Reasoning Alternating GRPO (PRA-GRPO), a role-aware reinforcement learning strategy that alternates between perception-focused and reasoning-focused updates using only final-answer supervision. Built on top of Qwen3-VL-Instruct-2B/4B/8B, P2R consistently improves performance across model scales. In particular, P2R-4B achieves 93.2% on V-Star, 81.9% on HR-Bench-4K, and 80.5% on HR-Bench-8K, substantially outperforming its corresponding backbone. Further experiments show that the benefits of P2R extend beyond high-resolution benchmarks to broader multimodal reasoning tasks. These results suggest that explicitly decoupling perception from reasoning provides an effective framework for fine-grained visual reasoning.