知覚から推論へ：細粒度視覚的推論のための知覚と推論の分離

要旨

細粒度の視覚的推論は、特に小さくとも重要な視覚的手がかりが高解像度画像に埋もれている場合に、視覚言語モデルにとって依然として難しい課題である。既存の手法は、繰り返しのクロッピングやテスト時視覚探索に依存して局所的な証拠を導入するが、通常、知覚と推論を明示的に区別しない。本論文では、細粒度の視覚的推論を2段階プロセスとして定式化する統一フレームワーク、Perceive-to-Reason (P2R) を提案する。すなわち、モデルはまず知覚器 (Perceiver) として質問に関連する証拠を特定し、次に注釈付き画像とクロップされた領域に基づいて推論器 (Reasoner) として質問に答える。この分離された定式化と訓練をより良く整合させるために、知覚-推論交互GRPO (PRA-GRPO) をさらに導入する。これは、最終回答の教師信号のみを用いて、知覚に焦点を当てた更新と推論に焦点を当てた更新を交互に行う役割認識型強化学習戦略である。Qwen3-VL-Instruct-2B/4B/8B をベースとして構築された P2R は、モデル規模を問わず性能を一貫して向上させる。特に、P2R-4B は V-Star で93.2%、HR-Bench-4K で81.9%、HR-Bench-8K で80.5%を達成し、対応するバックボーンを大幅に上回る。さらに実験では、P2R の利点が高解像度ベンチマークを超えて、より広範なマルチモーダル推論タスクにも及ぶことが示された。これらの結果は、知覚と推論を明示的に分離することが細粒度の視覚的推論に有効なフレームワークを提供することを示唆している。

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.