当一张照片因压缩、噪声、暗光或模糊而面目全非时，传统多模态模型仍能输出看似流畅的分析，但这些回答往往缺乏可靠的视觉依据。例如，车头方向已模糊不清，模型却能解释车辆为何“直行”；公交车轮廓重叠难辨，它仍能“自信”地数出三辆。针对这一困境，研究人员提出一种新方法——Robust-U1，通过让模型先生成恢复后的图像，再结合原始受损图与恢复图进行联合推理，显著提升了视觉鲁棒性。
传统方法主要分为两类：一类是让视觉编码器适应噪声，另一类是让模型用文字描述图像受损情况后再推理。然而，这些方法均存在局限性。特征对齐虽能提高预测稳定性，却难以解释模型具体恢复了哪些信息；文本描述虽能提醒模型“此处可能看不清”，却无法重建车辆朝向、物体数量等关键细节。更严重的是，当视觉证据已彻底破坏时，模型可能围绕错误观察组织出看似连贯却完全错误的解释。
Robust-U1的核心创新在于将图像恢复纳入多模态推理流程。该模型并非简单地在前端外挂一个图像修复器，而是让理解、恢复和回答由同一模型协同完成。具体而言，模型首先生成一张恢复图以补充结构和语义信息，同时保留原始受损图作为约束，避免恢复过程引入幻觉。这种设计使恢复不再等同于“重画一张图”，而是成为可被原图校验的中间推理步骤。
训练过程分为三个阶段。第一阶段通过监督微调，让模型在75万组受损-干净图像对上学习近似退化逆过程，初步掌握去噪和模糊去除能力。第二阶段引入强化学习，通过像素结构奖励（SSIM）和语义一致性奖励（CLIP）约束恢复图质量。前者关注轮廓、边缘等局部结构，后者确保画面语义与原图一致，二者结合避免了恢复图“清晰但错误”的问题。第三阶段进行双图推理训练，模型学会以恢复图为主观察，同时回看受损图校验歧义，最终完成语言推理。
实验结果显示，Robust-U1在R-Bench评测集上综合得分达0.7398，显著高于基础模型BAGEL的0.5770和文本推理方法Robust-R1的0.5017。尤其在图像描述任务中，恢复图补充了大量场景级内容，优势更为明显。人工退化实验进一步验证了其鲁棒性：当退化程度达到100%时，Robust-U1仅下降1.57分，而BAGEL和Robust-R1分别下降3.44分和6.06分。消融实验表明，若取消双图推理，综合分降至0.6623；移除像素或语义奖励，得分也会明显下滑，证明三者缺一不可。
该方法对暗光驾驶、遥感、监控和医学影像等领域具有重要价值。这些任务的错误常源于感知信息缺失，而非语言推理不足。恢复图不仅提供了可观察的中间结果，使系统能直接查看模型依据的视觉内容，还通过像素-语义双奖励降低了幻觉风险。不过，研究也指出，恢复本质是基于训练分布的估计，仍存在生成错误的可能。例如，训练成本较高，仅恢复监督阶段就需1920个L20 GPU小时；推理时生成图像也会增加延迟。当前方法依赖成对的受损-干净图片，无干净参考时综合分降至0.6233，视频时间一致性等问题仍需进一步探索。
从研究脉络看，视觉鲁棒性领域正经历从“抵抗退化”到“恢复证据”的转变。早期工作如TeCoA通过对抗训练改善局部攻击下的稳定性，R-Bench系统评测了真实退化对多模态模型的影响，Robust CLIP则在表示层提高对扰动的抵抗能力。近年来，研究者开始尝试让模型生成辅助图像参与思考，如Thinking with Generated Images将视觉内容从输入模态变为中间推理载体。Robust-U1则更进一步，将图像恢复纳入统一多模态模型的推理链，通过像素-语义双奖励约束恢复结果，再联合原图完成判断，为解决视觉证据缺失问题提供了新方向。
