盡管多模態大模型在數學、科學等結構化任務中取得了長足進步，但在需要靈活解讀視覺信息的通用場景下，其性能提升瓶頸依然顯著。現有模型普遍依賴基于知識的思維模式，卻缺乏對視覺線索的深度校驗與再思考能力，導致在復雜場景下頻繁出錯。

為解決這一難題，來自中科院自動化研究所紫東太初大模型研究中心的研究者提出 GThinker，一個旨在實現通用多模態推理的新型多模態大模型。

GThinker 的核心在于其創新的「線索引導式反思（Cue-Guided Rethinking）」模式，它賦予了模型在推理過程中主動校驗、修正視覺理解的能力。

通過精心設計的兩階段訓練流程，GThinker 在極具挑戰性的 M3CoT 綜合推理基準上取得了超越了最新的 O4-mini 模型，并在多個數學及知識推理榜單上展現出 SOTA 性能，證明了該方法的有效性和泛化能力。目前，論文、數據及模型均已開源。

• 論文鏈接：https://arxiv.org/abs/2506.01078
• 項目地址：https://github.com/jefferyZhan/GThinker
• 開源倉庫：https://huggingface.co/collections/JefferyZhan/gthinker-683e920eff706ead8fde3fc0

慢思考的瓶頸：

當模型在通用場景「視而不見」

當前，無論是開源的 Qwen2.5-VL，還是閉源的 GPT-4o，多模態大模型的能力邊界正在被不斷拓寬。尤其在引入了思維鏈（CoT）等慢思考策略后，模型在數學、科學等邏輯密集型任務上的表現得到了顯著增強。

然而，這些進步并未完全轉化為在通用多模態場景下的推理能力。與擁有明確答案和嚴格邏輯結構的數理任務不同，通用場景（如理解一幅畫的寓意、分析復雜的日常情景）往往涉及：

• 高度的視覺依賴：答案強依賴于對圖像中多個、甚至有歧義的視覺線索的正確解讀。
• 復雜的推理路徑：沒有固定的解題范式，需要模型根據具體問題靈活組織推理步驟。

現有方法，無論是基于結構化 CoT 的，還是基于結果獎勵強化學習的，都存在明顯的局限性。它們在推理中一旦對某個視覺線索產生誤判，往往會「一條道走到黑」，缺乏中途 「回頭看」、修正認知偏差的機制。

現有主流多模態推理方法的特點與局限性

GThinker：

從 「思維鏈」 到 「再思考鏈」

為了打破這一瓶頸，研究團隊提出了 GThinker，其核心是一種全新的推理模式 ——「線索引導式反思」（Cue-Guided Rethinking）。該模式將推理過程升級為一種更接近人類思維的「思考 - 反思 - 修正」閉環，它不強制規定僵化的推理結構，而是要求模型在自由推理后，對關鍵視覺線索進行一次系統性的回溯驗證。

Cue-Rethinking核心流程，虛線框代表可能進行

整個過程分為三個階段：

1. 自由初始推理：模型根據問題和圖像內容，自由地進行一步步推理，同時使用

標簽標記出其所依賴的關鍵視覺線索。

2. 反思觸發：在初步推理鏈完成后，一個反思提示（如 「Let's verify each visual cue and its reasoning before finalizing the answer.」）被觸發，引導模型進入基于再思考階段。

3. 基于視覺線索的反思：模型逐一回顧所有標記的視覺線索，檢查其解釋是否存在不一致、錯誤或遺漏。一旦發現問題，模型會修正或補充對該線索的理解，并基于新的理解重新進行推理，最終得出結論。

GThinker推理模式示例

以上圖為例，GThinker 在初步推理中可能將圖形誤判為 「螃蟹」。但在再思考階段，它會發現 「紅色三角形更像蝦頭而非蟹身」、「藍粉組合更像蝦尾而非蟹鉗」，從而修正整個推理路徑，最終得出正確答案 「蝦」。這種機制使得 GThinker 能夠有效處理有歧義或誤導性的視覺信息，極大地提升了推理的準確性。

兩階段訓練法：

如何教會模型進行再思考？

為了讓模型內化這種強大的反思能力，GThinker 設計了一套環環相扣的兩階段訓練框架。

GThinker整體訓練流程示例圖

模式引導冷啟動

不同于數理領域在預訓練后自然涌現的反思能力，單純依靠來結果獎勵強化學習 「探索」 出如此復雜的再思考行為，不僅成本高昂且效率低下。因此，GThinker 首先通過監督微調的方式，為模型 「冷啟動」 構建基于視覺線索的再思考能力。

為此，首先通過「多模態迭代式標注」構建了一個包含 7K 高質量冷啟動樣本數據集：利用 GPT-4o、O1、O3 等多個先進模型的互補優勢，對覆蓋通用、數學、科學三大領域的復雜問題進行迭代式地推理和標注，生成了包含高質量再思考路徑的訓練數據。

在訓練時，GThinker 采用「模式引導選擇性格式化」策略，僅對那些基座模型會產生視覺誤判的樣本應用完整的 「反思鏈」 格式，其余則保留為標準推理格式。這使得模型能夠學會在 「需要時」才進行反思，而非機械地執行。

激勵強化學習

在掌握 「如何思考」 以及基于視覺線索進行 「再思考」 的能力基礎上，GThinker 進一步引入基于可驗證獎勵的強化學習方法，設計混合獎勵機制并構建覆蓋多種推理類型的多場景訓練數據，以持續激勵模型在多樣化任務中進行主動探索，從而實現思維模式的跨場景泛化遷移。

• 多場景數據構建：廣泛收集開源推理數據，并通過 embedding 聚類的方式進行均衡和多樣性采樣，從中精選包含約 4K 條多場景、多任務的強化學習訓練數據集，為泛化能力的提升提供數據保障。
• 
  
• DAPO 訓練：相較于 GRPO，DAPO 采用動態采樣的方式，保證 batch 樣本的有效性，并應用無 KL 和 clip higher 等策略，更適用于長鏈思考和探索，使模型學會在不同場景下選擇最優推理方式。

• 混合獎勵計算：針對選擇題、數學題等常見任務類型，分別采用精確匹配、Math-Verify 工具校驗的方式計算獎勵，對于通用場景下常見的開放式簡答題，通過加入格式化響應讓模型回答歸納到短語或單詞的形式，以應用精確匹配的計算方式，從而確保了獎勵信號的準確性和進一步拓展支持任務的多樣性。

結果

在復雜、多步及多領域的多模態推理基準 M3CoT 上，GThinker 在多個場景的測試中超過當前先進的開源多模態推理模型及 O4-mini。

在通用場景（MMStar、RealWorldQA）、多學科場景（MMMU-Pro）及數學基準測試中，GThinker 實現了優于或不遜于現有先進模型的表現，證明了 GThinker 所學的再思考能力并未造成 「偏科」，而是實現了整體通用能力提升。

盡管 GThinker 的數據均為復雜推理任務構建，但經過這一方法及數據的訓練后，當前最領先的開源模型依然能夠在通用指標上進一步提升。研究團隊選取了OpenCompass 閉源多模態榜單中 10B 規模下最新排名前三的開源模型，在學術榜單上進行測試。結果顯示，GThinker 在這三款模型上均帶來約 1 個百分點左右的平均性能提升，進一步印證了其方法的有效性與泛化能力。

Demo