一项由伊利诺伊大学厄巴纳-香槟分校与meta联合完成的研究，提出了一种名为“自我验证推理器”（SVR-R1）的新型训练框架，旨在提升视觉语言模型在图表、表格等多模态任务中的理解能力。该框架通过让模型在生成答案后主动质疑自身，并在必要时重新推理，最终通过“自我审查”机制显著提高了任务准确率。相关研究以预印本形式发布，论文编号为arXiv:2607.10966，完整内容可通过该编号检索。
研究灵感源于人类考试中的常见行为：答完题后主动检查答案，发现错误并修正。这种“作答-自查-修正”的循环在人类学习中几乎是本能，但如何让AI模型具备类似能力，一直是学界面临的挑战。现有视觉语言模型虽能生成答案，却难以有效判断自身答案的正确性，尤其在涉及图片与文字结合的多模态任务中，这一缺陷更为明显。例如，即使是GPT-4o这样的顶尖模型，在自我验证时也容易因过度审查而产生幻觉或错误。
SVR-R1的核心设计在于让同一模型同时扮演“答题者”和“考官”的角色。具体流程为：模型首先根据题目（含图片和文字）生成初步答案，随后切换身份，用同一套参数判断答案是否正确，仅输出“YES”或“NO”。若判定答案正确，则直接提交；若判定错误，系统会提示模型重新思考，并在参考前轮答案的基础上生成修正版本。这一过程最多重复三轮，最终答案与标准答案对比后，模型会收到正确或错误的反馈信号，作为训练的奖励依据。
该框架基于GRPO（组相对策略优化）强化学习算法，通过组内答案的相对优劣估算每个答案的价值，避免了维护独立评分系统的开销。在SVR-R1中，每道题目会生成一组包含自我验证循环的完整对话，仅最终答案参与评分，中间过程的“YES/NO”判断被屏蔽，以防止模型同时优化两个可能冲突的目标。奖励设计直接以答案准确性为标准，忽略格式或长度等次要因素。
为验证框架有效性，研究团队选取了三类多模态任务：图表推理（ChartQA数据集，826道测试题）、表格问答（TableVQA数据集，1250道测试题）和通用多模态推理（ThinkLite-VL-70K数据集，七万个样本）。实验以Qwen2.5-VL为基础模型，分别在30亿参数（3B）和70亿参数（7B）规模下进行，并设置对比实验（Qwen-RL）以排除其他变量干扰。
实验结果显示，SVR-R1在各类任务中均带来显著提升。在图表推理中，3B模型准确率从基础模型的63.3%提升至83.3%，7B模型从76.0%提升至82.9%；在表格问答中，3B模型从56.4%跃升至72.4%，7B模型从67.8%提升至80.3%。与市面上其他模型相比，SVR-R1 3B在图表任务中超过GPT-4o（77.8%），7B在表格任务中超出GPT-4o约四个百分点（80.6% vs 76.9%），且无需额外监督微调数据。
训练过程中一个有趣的现象是，随着训练推进，模型启动自我质疑循环的频率逐渐降低。初期模型常需两三轮验证，后期平均轮次收敛至约2次（一次生成加一次确认），同时测试准确率持续上升。这表明模型并非因“懒于质疑”而减少验证，而是初次作答质量提高，自我审查后无需修改。训练后期直接输出答案与经过验证后输出答案的准确率几乎相同，意味着模型已将反思能力内化为更高质量的直接判断。
论文附录提供了一个具体案例：在识别猫品种的任务中，模型首轮给出“虎斑猫”的错误答案，自我验证判定为“NO”后，第二轮通过分析毛色特征修正为“三花猫”（calico），最终答案正确。尽管第二轮验证仍输出“NO”，但第三轮模型维持了正确判断，并在表述中加入“我也承认……的可能性”等谨慎措辞。这一案例显示，模型在被告知答案错误后，确实会改变推理路径，从笼统判断转向细致分析。
研究团队也指出SVR-R1的局限性。当用高难度11K数据集训练时，框架未带来准确率提升，反而出现验证轮次持续增加但答案未改善的情况。这表明自我质疑机制对“中等难度”问题最有效，即当前模型通过反思有机会找到正确答案的问题；对于超出模型能力上限的难题，反思无法凭空产生正确答案，此时自我质疑只会增加计算开销。
在计算效率方面，SVR-R1通过共享模型参数和异步化多轮推理框架，将整体计算开销仅增加约10%的实际运行时间，远低于许多研究者的预期。这一特性使其在实际应用中更具可行性，尤其是训练阶段多花10%时间，换来推理阶段无需额外验证即可获得更准确答案的长期收益。
该研究的核心贡献在于提供了一种新思路：将AI的自我质疑能力整合进强化学习训练循环，使模型在不依赖外部监督或额外数据的情况下，通过“作答-质疑-修正”循环内化反思习惯，最终提升初次作答质量。这一过程类似于人类初学者司机通过反复练习，将停车时的自查步骤转化为直觉判断，从而提高操作精度。目前，研究团队已承诺开源SVR-R1的完整代码，方便其他研究者在自己的场景中尝试和扩展。
