提出Faithful GRPO(FGRPO),一种在Group Relative Policy Optimization中引入逻辑一致性与视觉接地性约束的受限策略优化方法,用于提升多模态语言模型在视觉空间推理任务中的推理质量;该方法显著降低CoT推理不一致率并提高视觉接地分数,同时提升最终答案准确率。
机构:Microsoft
来源:arXiv 2604.08476 | AI4Papers 论文推荐平台