在人工智能视觉推理领域，一项突破性研究正在改变AI处理图像信息的传统模式。中科院自动化研究所的研究团队发现，当前主流视觉模型普遍存在"一眼定论"的认知缺陷——它们在首次观察图像后便急于得出结论，缺乏在复杂推理过程中重新审视关键细节的能力。这种认知模式导致AI在处理需要多步骤验证的视觉任务时，准确率显著低于人类水平。
研究团队通过系统性实验揭示了AI视觉认知的深层问题。他们设计了双维度评估体系：一方面测量模型生成每个词汇时的视觉注意力权重，另一方面在推理中途移除图像信息，观察输出变化幅度。实验数据显示，主流模型在生成300个词汇后，对原始图像的关注度会骤降至初始水平的20%-30%。这种"注意力衰减"现象在强化学习优化的模型中尤为严重，某些先进模型的视觉依赖度甚至低于基础版本。
针对这一认知缺陷，研究团队提出了"视觉反思"训练框架。该框架通过多智能体协作系统模拟人类解题时的认知过程：由语言模型扮演的"视觉请求者"会主动提出具体问题（如"图中两线段夹角是多少"），视觉模型作为"回应者"提供精确信息，最后由总结者整合形成完整推理链。这种交互式训练模式产生了包含多次视觉回溯的样本数据，使AI学会在推理过程中主动核查关键信息。
为强化视觉反思行为，研究团队创新了奖励机制。新机制不仅考核最终答案的正确性，还通过注意力权重分析评估模型在推理后期的视觉关注度。实验表明，采用该机制的模型在数学推理任务中表现突出：70亿参数版本在MathVision测试集上达到33.9%的准确率，超越参数规模大5倍的GPT-4o模型。在跨学科测试MMMU-Pro中，42.7%的准确率证明其具备处理复杂现实问题的能力。
机制分析显示，训练后的模型展现出类人认知特征。当遇到不确定情况时，模型会主动表述"需要再次检查图像"，并伴随视觉注意力权重的显著提升。这种自我纠错能力还意外降低了视觉幻觉发生率——在幻觉检测测试中，新模型准确率提升4.4个百分点。研究人员认为，持续的视觉核查使模型能够及时发现并修正错误认知。
技术实现层面，研究团队采用分工明确的模型架构：720亿参数的视觉模型负责精准感知，320亿参数的语言模型处理逻辑推理。训练过程分为两个阶段：首先通过3个epoch的监督学习掌握基础反思模式，再经12个epoch的强化学习稳定行为。注意力权重计算采用最后一层注意力头的加权平均，确保准确反映视觉关注程度。
扩展性验证表明，该方法在不同规模模型中均有效。140亿参数版本在数学推理任务中准确率提升3.9个百分点，在跨学科测试中达到68.7%。跨语言测试显示，英语训练的模型在中文视觉推理任务中同样表现优异，证明其具备通用认知增强能力。研究团队正在探索简化数据构建流程，以降低30%-50%的训练成本。
这项技术已展现出广泛的应用前景。在医疗影像分析场景中，模型能够通过多次核查发现早期病变特征；在教育领域，可准确解析复杂图表题的解题步骤；在工程设计中，能精准识别图纸中的尺寸标注错误。随着视觉反思能力的深化，AI系统正在向更可靠、更接近人类认知模式的方向演进。
