TIGER 训练法弥合多模态模型视觉推理差距
原文标题：Seeing Isn't Enough: Unlocking Visual Reasoning by Bridging the Reasoning-Access Gap with TIGER
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究指出多模态大模型并非看不懂图，而是无法把已感知的视觉内容接入文本推理机制，称之为「模态推理接入鸿沟」。作者提出 TIGER，用合成渲染文本图像构造反事实样本并以 GRPO 后训练，在 MathVerse、MMMU、ChartQAPro 等真实视觉基准上均取得提升。
深读 · 结论先行AI 生成展开看要点与影响 ↓
TIGER 指出多模态模型存在「模态推理接入鸿沟」，用合成渲染文本图像 GRPO 后训练在多个真实视觉基准提升。
- •对照实验：模型能准确读出图像中的文字，并在拿到自身转录文本时恢复接近纯文本的表现，说明瓶颈不在感知
- •将差异定义为「模态推理接入鸿沟」——已感知的视觉内容无法接入文本推理机制
- •TIGER 挖掘合成模态反事实样本（文本题成功、对应渲染图失败），用 GRPO 后训练，另有 SFT 与 DPO 变体
- •训练仅用合成渲染文本图像、无多模态标注，却在 MathVerse、EMMA、MMMU、ChartQAPro、RoboSpatial 等真实基准上提升
为什么重要：把多模态短板从「看不懂」重新定位为「接不上」，为后训练数据构造提供了低成本路径；对做多模态推理增强的团队，合成数据即可迁移到真实视觉任务这一点值得细读。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
蚂蚁灵波发布 LingBot-Touch 触觉基础模型并开源
AI 摘要蚂蚁灵波发布 LingBot-Touch 触觉基础模型，基于近 5000 小时真实触觉数据预训练，覆盖磁触觉、视触觉与压阻式三类传感原理，可将不同信号统一为同一套触觉表征。该模型补齐机器人精细操作所需的触觉感知，技术报告、模型与代码已在 Hugging Face、GitHub 和魔搭开源。
谷歌发布 Gemini Omni 1.2 Flash 视频模型，单段时长增至 15 秒
AI 摘要谷歌推出 AI 视频生成模型 Gemini Omni 1.2 Flash，原生支持最长 15 秒视频，较上一代提升 50%，并新增多轮对话式编辑能力。新模型增强了对参考内容的遵循，可在多镜头间保持角色、物体与场景一致性，减少视觉漂移。
OpenAI发布图像模型Images 2.6，生成提速50%并新增GIF功能
AI 摘要OpenAI发布图像生成模型Images 2.6，面向全球用户在ChatGPT、Codex及API开放。生成速度较上版提升50%，增强多轮编辑的细节与角色、产品、品牌一致性，并新增GIF循环动画生成。API提供Flare与Sunburst两个版本。
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。