VisionReasoner：通过强化学习实现的统一视觉感知与推理

大型视觉-语言模型展现出处理多样化视觉感知任务的固有能力。在本文中，我们提出了VisionReasoner，这是一个统一的框架，能够在同一个共享模型中进行推理并解决多个视觉感知任务。具体而言，通过设计新颖的多对象认知学习策略和系统的任务重塑，VisionReasoner增强了其分析视觉输入的推理能力，并在统一框架中处理多样化的感知任务。该模型在提供响应用户查询的所需输出之前，会生成一个结构化的推理过程。为了严格评估统一的视觉感知能力，我们在涵盖检测、分割和计数这三个关键领域的十个不同任务上评估了VisionReasoner。实验结果表明，VisionReasoner 作为一个统一模型取得了卓越的性能，在 COCO (检测)、ReasonSeg (分割) 和 CountBench (计数) 数据集上，相比 Qwen2.5VL 分别取得了 29.1%、22.1% 和 15.3% 的相对性能提升。