更新中的目光？学习多模态推理中奖励的落点

基于摘要分析。该研究关注图像与视频推理强化学习中的信用分配问题：奖励作用于完整生成轨迹，但视觉证据仅在响应的部分位置被使用。作者提出 Gaze-RL，利用模型自身的多模态计算，将完整响应级优势重新分配至不同生成位置，而非引入额外标注器或过程标签。 核心机制是构建潜在的奖励落点场，依据内部跨模态几何关系与局部预测不确定性，为同时具有视觉锚定性和决策重要性的位置赋予更大更新权重。该权重保持均值为一，因此按摘要描述，每条 rollout 的总信用保持不变，改变的只是位置间的分配。作者称该方法不需要过程监督、辅助感知模块或架构修改。与摘要提及的 grounding 信号或外部 token 级加权路径相比，其主要区别是从模型内部表征推导信用分配；落点场的具体计算、优势与权重的结合方式尚未验证。 作者报告，在混合图像—视频 RL 数据上训练后，Gaze-RL 改善了 Qwen2.5-VL 和 InternVL3.5 在多项图像及视频基准上的表现，并表现出更强的证据敏感性，以及更短、更集中的推理动态。摘要未提供具体数据集名称、划分、对照方法、指标或数值，实验协议、消融及统计信息尚未验证，因此尚不能判断收益幅度，也不能确认推理缩短与答案正确性之间的关系。 研究对象是视觉语言模型的多模态推理后训练，并非 EEG 解码或 BCI。其方法依赖可访问的内部跨模态表征、局部预测不确定性及轨迹级奖励；目前材料不足以建立针对 EEG 的具体机制对应，不据此推断 BCI 有效性。已有 EEG 相关工作尚未检索确认。