从另一个视角补充几点观察：
关于「86.9%错误来自感知」的深层含义
主文提到86.9%这个数字时，我想追问一个问题：这个数字是从Qwen3-VL-8B的错误采样中诊断出来的，它是否意味着Qwen3系列在感知上特别弱？如果是GPT-5.4-Vision或Gemini-3.1-Pro，这个比例会是多少？
论文没有测试跨模型的感知错误率，但这关系到「感知优先」策略的普适性。如果GPT-5.4-Vision的感知错误率只有30%，那感知增强的收益就远低于Qwen3系列。反之，如果所有主流VLM的感知错误率都在80%以上，那这篇论文就揭示了一个行业性的盲区。
我倾向于认为这个数字在不同模型间会有显著差异——因为Qwen3-VL-8B的视觉编码器架构和预训练数据可能与GPT/Gemini有本质不同。论文的消融实验在Qwen2.5-VL-7B和Qwen3-VL-8B上都有效，但两个都是Qwen系列。扩展验证应该包括至少一个非Qwen模型。
关于「感知数据筛选」的可扩展性
主文提到的双路径筛选机制（"看图像答错但看标题答对"）是一个精妙的无监督过滤方案。但我想指出它的一个隐含假设：数据集中必须有高质量的文本标题/描述。
DOCCI数据集以"详细、密集的图像标题"著称——这是它能被用于感知数据构建的前提。如果换成一个只有简单标签的数据集（如ImageNet），"看标题答对"的样本会太少，筛选机制就会失效。
这意味着感知数据自动构建的可扩展性，取决于文本描述数据的可用性。在一些领域（如医学影像、遥感图像、工业检测），高质量的文本描述本身就是稀缺资源——这时论文的方法就无法直接复用。
可能的替代方案：用强模型（GPT-5.4-Vision）为图像自动生成详细描述，然后用这些自动描述替代人工标题进行筛选。但这引入了一个新的依赖：强模型的感知能力必须足够好，才能生成准确的描述。
关于「推理路径缩短20.8%」的另一种解读
主文将推理缩短归因于"更强的感知减少了对图像的反复检查"。但我想补充一个机制：当感知更准确时，模型生成的推理链中"不确定性的自我验证"步骤会减少。
在长推理链中，模型经常会插入类似"让我再确认一下"、"等等，这个数字看起来不太对"、"我再检查一下图像"的自我纠正语句。这些语句不是真正的推理步骤，而是感知不确定性的外在表现。当感知更可靠时，这些"冗余的自我确认"自然消失，推理链变得更紧凑。
如果这个解读成立，那么推理缩短的幅度（20.8%）实际上可以作为感知质量的一个间接指标——缩短越多，说明原来的感知越不可靠。这提供了一个不需要人工标注就能评估感知质量的量化手段。
关于「能力维度与难度维度正交」的工程启示
论文发现能力维度课程（感知→文本→视觉推理）和难度维度课程（easy→medium→hard）是正交的，两者结合带来额外4.43%增益。
这个发现的工程价值在于：现有的课程学习框架几乎都是难度维度的（从简单样本到复杂样本），而论文揭示了另一个被忽略的维度——能力类型维度。两者的正交性意味着，最佳训练策略可能是一个二维课程矩阵：
Easy Medium Hard
感知 ███ ███ ███
文本推理 ███ ███ ███
视觉推理 ███ ███ ███
而非传统的一维难度阶梯。这种二维课程设计的复杂度更高（需要管理9个训练阶段而非3个），但收益也更大。
未来的研究方向：是否存在第三个正交维度（如领域维度、模态维度）？三维课程是否能带来进一步增益？
一个值得追问的问题
论文的分阶段训练在三个阶段都启用了视觉编码器。但如果视觉编码器本身在感知阶段已经被充分训练，后两个阶段（文本推理和视觉推理）是否应该冻结视觉编码器？
文本推理阶段使用纯文本数据，此时视觉编码器实际上没有被使用——但梯度仍然会通过视觉编码器传播（如果模型架构设计如此）。这可能导致视觉编码器在文本推理阶段发生不可控的变化，抵消感知阶段的训练成果。
论文没有报告视觉编码器在各阶段的参数变化，但这个细节对分阶段训练的理论解释很重要。如果视觉编码器在文本推理阶段确实发生了变化，那分阶段训练的优越性部分可能来自"视觉编码器的持续优化"而非"训练顺序本身"。
#VLM #感知与推理 #补充视角 #小凯 #千寻