核心发现
方法论
CoRe采用：• CoRe-20K数据集，自动从结构化视觉元数据生成，覆盖计数、深度、距离、空间关系；• TriSR奖励框架，结合属性定位、判断对齐、三元组一致性，利用GRPO优化模型；• CoRe-Bench基准，专注细粒度跨图像推理。数据集通过多专家合作流程自动构建，保证标签的真实性和多样性。TriSR通过结构化奖励，确保中间推理步骤的正确性和全局一致性。模型在训练中不仅优化答案正确率，还强调推理的可验证性。实验显示，CoRe在CoRe-Bench上显著优于现有VLM，提升28.2百分点，且在多模态任务中表现依然强劲。
关键结果
- 在CoRe-Bench上，模型平均准确率提升28.2个百分点，超越最强基线。数据集包含4万条三元组，覆盖计数、深度、距离和空间关系，验证了方法的有效性。
- 在标准多模态基准上，性能保持竞争力，表明结构化奖励不会牺牲通用能力。模型在复杂推理任务中表现出更高的推理一致性和属性定位准确率。
- 消融实验验证：引入TriSR奖励后，推理链的正确性提升显著，模型在属性定位和关系判断上的误差降低，显示结构化奖励对推理质量的促进作用。
研究意义
该研究填补了当前VLM在细粒度跨图像推理方面的空白，提出了可验证的中间推理结构和自动构建数据集的方案，为多图像理解提供了新思路。其在实际应用中可增强导航、监控、场景分析等任务的精度与可靠性，推动视觉认知向更高层次发展。模型的可解释性和推理一致性也为未来多模态系统的可信性奠定基础。
技术贡献
技术创新主要体现在：• 构建自动化、可验证的三元组数据集CoRe-20K，突破手工标注瓶颈；• 提出TriSR奖励框架，将推理任务拆解为属性定位、判断对齐和全局一致性，增强模型推理的结构性；• 设计专用基准CoRe-Bench，系统评估细粒度跨图像推理能力。这些突破使得模型在推理质量和训练效率上均有显著提升。
新颖性
本研究首次系统性提出针对细粒度跨图像推理的结构化奖励机制，并结合自动化数据构建流程，显著改善模型推理的真实性和一致性。与以往仅关注单图像理解或粗粒度多图理解的工作不同，强调中间推理的可验证性和全局一致性，具有较强创新性。
局限性
- 当前方法依赖结构化元数据，可能在无此类信息的场景下表现有限。数据集构建过程虽自动化，但仍受限于元数据的质量和覆盖范围。
- 模型在极端复杂场景或模糊关系中仍存在推理失误，推理链的可解释性虽增强，但仍需进一步提升鲁棒性。
- 训练成本较高，结构化奖励机制增加了训练复杂度，未来需优化效率与泛化能力。
未来方向
未来将探索无元数据场景下的自监督推理方法，结合更强大的多模态预训练模型，提升跨域适应性。同时，推动推理可解释性研究，结合人类反馈优化模型推理路径，增强系统的可信度。还计划扩展多任务学习框架，融合更多细粒度推理任务，推动多模态理解的深层次发展。
AI 总览摘要
随着视觉-语言模型（VLM）在图像理解和问答任务中的突破，跨图像的细粒度推理成为新的研究焦点。现有模型在对象计数、深度估计、距离判断和空间关系等任务中表现有限，主要源于缺乏结构化、可验证的中间推理机制。为此，本文提出CoRe框架，通过自动构建的CoRe-20K数据集，结合多专家合作流程，生成涵盖多维度关系的三元组样本。核心创新在于TriSR奖励机制，它将推理拆解为属性定位、判断对齐和全局一致性三个可验证步骤，利用GRPO优化模型，确保推理的真实性和一致性。实验结果显示，模型在新提出的CoRe-Bench基准上，准确率提升28.2个百分点，显著优于现有方法。同时，模型在标准多模态任务中保持竞争力，验证了结构化推理的普适性和有效性。这一研究不仅推动了多模态理解的深层次发展，也为未来构建可信、可解释的AI系统提供了新路径。
深度分析
研究背景
视觉-语言模型（VLM）近年来快速发展，代表性工作包括BLIP、Flamingo、LLaVA等，已在视觉问答和图像描述中取得突破。然而，复杂场景中的跨图像推理仍是难点，尤其在多图关系理解方面，现有基准多偏重单图感知或宏观语义整合，缺乏对细粒度关系的系统评估。此前的研究多依赖手工标注或伪标签，存在标注成本高、可验证性差的问题。近年来，自动化数据生成和强化学习方法逐步兴起，但在推理真实性和一致性方面仍有不足。
核心问题
当前VLM在跨图像细粒度推理中表现不足，主要原因在于缺乏结构化、可验证的中间推理机制，导致模型容易出现推理链不合理、属性定位错误等问题。这限制了模型在导航、监控等实际场景中的应用。解决这一问题需要构建高质量、可验证的数据集，并设计结构化奖励机制，确保推理过程的真实性和全局一致性。
核心创新
本研究的创新点包括：1）自动构建CoRe-20K数据集，利用结构化元数据实现高效、可验证的三元组样本生成；2）提出TriSR奖励框架，将推理拆解为属性定位、判断对齐、全局一致性，增强模型推理的结构性和可解释性；3）设计CoRe-Bench基准，系统评估细粒度跨图像推理能力。相比以往仅关注答案正确率的方法，这些创新显著提升了推理的真实性和模型的可信度。
方法详解
- �� 构建数据集：利用多专家合作流程，从结构化元数据自动提取计数、深度、距离、空间关系，过滤无效样本，生成三元组问题。• 设计奖励：TriSR将推理拆解为属性定位、判断对齐和全局一致性，利用结构化输出和规则解析，赋予模型中间推理步骤的奖励。• 训练策略：结合GRPO优化模型参数，确保模型在答案正确率和推理结构上均表现优异。• 评估体系：在CoRe-Bench上进行系统测试，验证模型在多维关系推理中的表现。• 实验设置：使用4万三元组，覆盖四个任务维度，比较不同奖励机制和数据质量对模型性能的影响。
实验设计
采用CoRe-20K数据集，划分为训练和评估集，基线模型包括现有VLM如Qwen3-VL、GPT-5.2等。指标包括部分准确率、关系判断准确率和推理一致性。通过消融实验验证TriSR奖励的贡献，分析模型在不同任务维度的表现差异，并在标准多模态基准上进行对比，确保模型的通用性和鲁棒性。
结果分析
模型在CoRe-Bench上的平均准确率提升28.2个百分点，显著优于未采用结构化奖励的模型。在计数、深度、距离和空间关系任务中均表现出更高的推理一致性和属性定位精度。消融实验显示，加入TriSR奖励后，推理链的正确率提升了15%以上，模型在复杂关系推理中的鲁棒性增强。模型还在标准多模态任务中保持了良好的性能，验证了方法的普适性。
应用场景
该方法适用于导航、监控、场景理解等多图像场景，能显著提升多模态系统的推理能力和可信度。未来可结合更大规模预训练模型，扩展到无结构化数据环境，推动智能系统在实际应用中的普及。
局限与展望
当前方法依赖结构化元数据，难以直接应用于无此类信息的场景。推理链的复杂性和训练成本较高，模型在极端模糊或复杂场景中仍存在推理失误。未来需优化模型效率和鲁棒性，拓展无监督或弱监督的推理能力。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭。每次做菜都需要准备各种食材、调料，然后按照步骤操作。这个过程就像模型在理解图片：它需要找到每个食材（属性定位），判断哪个调料放多了（关系判断），还要确保所有步骤协调一致（全局一致性）。如果只看最终菜好不好吃（答案正确），可能会忽略中间的步骤是否合理。我们设计了一个系统，像厨师一样，不仅关注最后的味道，还会检查每个步骤是否正确、合理。这样做出来的菜（模型推理）更可靠，也更容易理解。
简单解释 像给14岁少年讲一样
想象你在玩拼图游戏。每次你都要找到正确的拼图片，确保它们拼在一起能组成完整的图片。有时候，你会先确认每个拼图片的内容（比如颜色、形状），然后判断它们是否匹配（关系判断），最后看整体拼图是不是合理（全局一致性）。如果只看拼图的完整程度（答案正确），可能会忽略拼图片是否放错了位置。我们设计了一个聪明的拼图助手，它会帮你检查每个拼图片是否放对了，拼图是否符合逻辑。这样，你的拼图就会更完美，也更容易理解每一步是怎么拼出来的。
术语表
Cross-Image Comparative Reasoning (跨图像比较推理)
指模型在多张相关图片中，比较特定属性（如数量、深度、距离）以得出关系或差异的能力。技术上涉及多图关系建模与推理。
论文中强调模型在多图关系理解中的核心能力。
TriSR (结构化奖励机制)
一种将推理拆解为属性定位、判断对齐和全局一致性三部分的奖励框架，用于引导模型生成合理推理链。技术上结合结构化输出与规则解析。
论文提出的核心创新，用于提升推理真实性。
CoRe-20K (数据集)
自动从结构化视觉元数据生成的三万多三元组样本，涵盖计数、深度、距离、空间关系，用于训练和验证模型推理能力。
作为训练和评估的基础数据集。
CoRe-Bench (基准测试)
专为细粒度跨图像推理设计的评估基准，包含四个任务维度，确保模型在复杂关系推理中的表现。
衡量模型推理真实性和一致性的工具。
开放问题 这项研究留下的未解疑问
- 1 如何在没有结构化元数据的场景中实现类似推理？现有模型在极端模糊或复杂关系中表现不足，未来需探索无监督或弱监督方法。
- 2 模型推理的可解释性仍需提升，如何让模型的推理路径更透明？
原文摘要
Cross-image comparative reasoning remains challenging for vision-language models (VLMs), especially when correct prediction requires fine-grained attribute grounding and globally consistent reasoning. We present CoRe, a unified framework for this problem. CoRe includes: (i) CoRe-20K, a large-scale triplet-based training set automatically constructed from structured visual metadata through a multi-expert collaborative pipeline, covering counting, depth, distance, and spatial relations; (ii) TriSR, a structured reward framework that jointly supervises attribute grounding, judgment alignment, and triplet consistency under GRPO optimization; and (iii) CoRe-Bench, the first benchmark dedicated to fine-grained cross-image comparative reasoning. Experiments show that CoRe substantially outperforms existing VLMs on CoRe-Bench while remaining competitive on standard multimodal benchmarks, achieving a 28.2-point gain in partial accuracy over the strongest baseline.