1 Motivation
当前 VLMs 通过对齐视觉输入和语言输出训练，虽然整体表现好，但在需要细致视觉推理的任务上容易出错，比如无法正确识别图片中的细节内容。这是因为现有模型习惯直接给出结论，而缺乏中间推理步骤。
人类解决视觉问题时，会逐步操作（比如圈出目标、放大细节区域），不是直接回答。
方法：Chain of Manipulations (CoM)
- 让模型自己一步步处理图像（比如：标注区域、放大、裁剪等），并在每一步输出中间结果（比如 bbox、生成局部图像）。
2 Method
2.1 基本操作
做了一个实验：
- 用 GPT-4 自动生成解决图像问题的步骤，允许它在需要时对图片做操作
- 处理了 170K 个 TextVQA 问题（需要细粒度视觉推理的数据集）
- 提供了4个手写示例给GPT-4作为指导，保证生成质量
- 然后用 StanfordCoreNLP 提取回答中的动词短语（表示操作动作）
通过频率统计，发现绝大多数动作可以归结为6种基本操作：
| 操作名称 | 功能描述 |
|---|---|
| OCR(tgt) → txt | 识别目标区域（tgt）的文字，输出文字（txt） |
| Grounding(tgt) → bbx | 找到目标（tgt）的定位框（bounding box） |
| Counting(tgt) → num | 数目标（tgt）的数量，输出数字（num） |
| Calculate(tgt) → num | 对目标（tgt）进行计算，输出数字（num） |
| CropZoomIn(bbx, x) → img | 按比例(x)放大或裁剪bbx区域，输出局部图片（img） |
| Line(pts) → img | 在图片上画线（连接指定的点pts），输出新的图像（img） |
2.2 数据收集
基于普通VQA数据集 {(I, Q, A)}，自动生成标准的CoM样本（特别是数学问题领域再结合人工标注）
📌自动流程：
-
LLM 生成语言推理链：让 GPT-4 生成带操作的推理链（结果用变量占位）
-
VFM（GroundingDINO、PaddleOCR） 执行视觉操作补全结果
大部分操作都可以基于 Grounding 和 OCR 衍生：
- CropZoomIn → 基于 Grounding 的框来裁剪
- Counting → 基于检测的box数量
- Calculate → 基于OCR识别出的公式
-
DFS 搜索正向推理路径（最后得到正确答案A）
📌人工数据集：
图形数学题（如几何推理、图表阅读），需要更精准的辅助线绘制、公式推导。受启发于 AlphaGeometry，发现辅助线（或中间推理步骤）能显著帮助 LLMs 解复杂数学问题。招募了10位人类专家，手动完成：约 7K 高质量 CoM 数学样本
- 语言推理步骤
- 操作名称的使用
- 操作结果（图像或数值）
3 Model
3.1 ARCHITECTURE （模型架构）
整体框架采用 CogVLM 的通用VLM架构，包括四个核心组件：
- Visual Encoder：视觉编码器
- MLP Adapter：把视觉特征映射到语言空间
- LLM Backbone：大型语言模型骨干
- Visual Expert Module：视觉专家模块（深度融合视觉特征）
| 组件 | 使用的模型 | 说明 |
|---|---|---|
| Visual Encoder | EVA2-CLIP-E (4B参数) | 视觉特征提取 |
| LLM Backbone | Vicuna-7B-v1.5 | 语言理解与生成 |
| MLP Adapter | 两层 SwiGLU MLP | 映射视觉到语言空间 |
| Visual Expert Module | 加到 LLM 每层的注意力和 FFN 里 | 额外增加6.5B参数 |
整体规模大约 17B参数（7B + 4B + 6.5B）
多轮推理机制（Memory-based Multi-turn Multi-image）?
- 支持处理多轮VQA样本： ( I t , Q t , A t ) ∣ t = 1 , 2 , . . . (I_t, Q_t, A_t)\|t = 1,2,... (It,Qt,At)∣t=1,2,...
- KV缓存（Key-Value Memories）在每一层持续累积。
- 每轮 attention 计算公式（按累积KV）：
att ( X ) = softmax ( Q t K t ′ T d ) V t ′ \text{att}(X) = \text{softmax}\left( \frac{Q_t K'_t{}^T}{\sqrt{d}} \right) V'_t att(X)=softmax(d QtKt′T)Vt′
3.2 Training
📌 第一阶段 Pre-Training
- 步骤一：视觉理解
- 数据：1.5B对图文对（清洗自 LAION-2B 和 COYO-700M）
- 训练：120K step，batch size 8192
- 步骤二：定位生成（Grounded Generation）
- 数据：40M条图像-问题-答案三元组（清洗自 LAION-115M）
- 训练：60K step，batch size 1024
- 答案中每个名词短语都配了位置坐标 \[ x 0 , y 0 , x 1 , y 1 , . . . ] \[x0,y0,x1,y1,...] \[x0,y0,x1,y1,...]
这阶段主要训练的是视觉专家模块（6.5B参数）。
📌 第二阶段 Alignment
将CoM数据与其他三类数据混合训练：MultiInstruct（指令跟随能力）、LLaVAR（识别文本能力）、ShareGPT4V（细粒度描述能力）
总融合得到大约 570K条(I, Q, A)样本。
- 其中 CoM 样本是多轮式的答案（包含推理链）
- 对 CoM 样本，还会在问题前随机加触发prompt P M P_M PM，提示模型可以主动使用 manipulation 推理
训练：14K step，batch size 160，warm-up 280步，最高学习率 1 0 − 5 10^{-5} 10−5，然后线性下降。
这阶段也是只训练视觉专家模块（6.5B参数）