Pixel Reasoner：通过好奇心驱动的强化学习激励像素空间推理

基于摘要分析。该研究面向视觉密集型任务中纯文本思维链难以充分利用视觉证据的问题，提出像素空间推理：让 Vision-Language Models（VLMs）通过 zoom-in、select-frame 等操作主动检查图像或视频，而非仅在文本空间进行推理。其主要贡献是用两阶段训练培养视觉操作能力，并促进视觉取证与文本推理之间的探索。 机制与训练：第一阶段使用合成推理轨迹进行指令微调，使模型熟悉新增视觉操作；第二阶段采用好奇心驱动的强化学习奖励，旨在缓解初始能力不平衡及模型不愿使用视觉操作的问题。摘要明确的机制是将视觉操作纳入推理过程，但未给出操作接口、轨迹合成流程、奖励公式或强化学习算法细节，尚不能判断探索激励如何与答案正确性协调。 结果：作者报告，7B 的 Pixel-Reasoner 在 V* bench、TallyQA-Complex 和 InfographicsVQA 上分别达到 84%、74% 和 84% 的 Accuracy，并称其为当时开源模型中的最高准确率。这些数字对应各自基准，不能跨任务直接比较；具体数据划分、评估设置、对照模型、工具调用预算及统计信息尚未验证，该领先声明也尚未独立核对。 平台推测（待验证）：若将 EEG 时频图作为视觉输入，局部放大机制或可用于检查局部时频证据，但原研究依赖图像或视频及合成推理轨迹，并未验证神经信号解码。可复用的是视觉操作与分阶段训练思路，需改造信号表示、操作接口和任务奖励；低信噪比、跨被试差异、通道空间关系损失及小数据训练均可能使收益消失。一个可证伪的小实验是假设固定 EEG 时频表示和被试隔离划分，比较相同模型、相同推理预算下允许与禁止局部放大的解码效果。已有 EEG 相关工作尚未检索确认，此建议不构成已验证的 BCI 贡献。