Краткое содержание

arXiv:2512.17227v1 Тип объявления: новое Аннотация: Многоуровневые большие языковые модели (MLLM) демонстрируют значительный потенциал, но остаются хрупкими в сложных задачах длинной цепочки зрительного рассуждения. Критический режим неудачи - "забывание зрения", когда модели постепенно теряют зрительную основу по мере расширения рассуждений, явление, которое уместно описывать как "думай дольше, видишь меньше". Мы предполагаем, что эта неудача возникает из-за текущих методов обучения, которые слишком рано объединяют два различных когнитивных навыка: (1) абстрактное логическое рассуждение ("как думать") и (2) стратегическое зрительное восприятие ("когда смотреть"). Это создает фундаментальную проблему "холодного старта" - ослабление абстрактного рассуждения - и дефицит стратегического восприятия, поскольку модели не имеют политики для определения момента восприятия. В этой статье мы предлагаем новую учебно-курсивную рамку для разъединения этих навыков. Сначала мы вводим учебный курс диссоциированного контролируемого дообучения (SFT), который строит прочную основу абстрактного рассуждения на данных только текста, прежде чем закреплять ее