Percevoir-pour-Raisonner : découpler la perception et le raisonnement pour le raisonnement visuel à granularité fine

Résumé

Le raisonnement visuel à granularité fine reste un défi pour les modèles vision-langage, en particulier lorsque de petits indices visuels mais cruciaux sont enfouis dans des images haute résolution. Les approches existantes reposent sur des recadrages répétés ou une recherche visuelle au moment du test pour introduire des preuves locales, mais elles ne distinguent généralement pas explicitement la perception du raisonnement. Dans cet article, nous proposons Perceive-to-Reason (P2R), un cadre unifié qui formule le raisonnement visuel à granularité fine comme un processus en deux étapes : le modèle localise d'abord les preuves pertinentes pour la question en tant que Percepteur, puis répond à la question en tant que Raisonneur sur la base de l'image annotée et des régions recadrées. Pour mieux aligner l'apprentissage sur cette formulation découplée, nous introduisons en outre l'Alternance Perception-Raisonnement GRPO (PRA-GRPO), une stratégie d'apprentissage par renforcement sensible aux rôles qui alterne entre des mises à jour axées sur la perception et des mises à jour axées sur le raisonnement en utilisant uniquement la supervision par la réponse finale. Construit sur la base de Qwen3-VL-Instruct-2B/4B/8B, P2R améliore systématiquement les performances à toutes les échelles de modèles. En particulier, P2R-4B atteint 93,2 % sur V-Star, 81,9 % sur HR-Bench-4K et 80,5 % sur HR-Bench-8K, surpassant nettement son réseau de base correspondant. Des expériences supplémentaires montrent que les avantages de P2R s'étendent au-delà des benchmarks haute résolution vers des tâches de raisonnement multimodal plus larges. Ces résultats suggèrent que le découplage explicite de la perception et du raisonnement fournit un cadre efficace pour le raisonnement visuel à granularité fine.

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.