新智元报道

DeepSeek-R1之后，「让模型想得更久」几乎成了提升推理能力的标准答案。

但对多模态大模型而言，推理 token 更多，并不必然意味着视觉推理更充分。恰恰相反，模型在开头还能准确描述图像，随着生成内容不断累积，后续推理却可能越来越依赖自己写出的文字。

只要早期描述出现一点偏差，错误就会沿着自回归链条被反复引用、逐步放大，最后得到一个语言上严丝合缝、视觉上完全失真的答案。

这不是简单的「没看见」，而是看见之后没能一直记住。

从后训练角度看，问题还可以进一步抽象：在典型的自回归多模态模型中，视觉条件在生成开始时已经固定，语言轨迹却随着推理持续增长。如果强化学习只奖励最终答案，训练目标就不会主动区分两类轨迹——一类始终以图像为依据，另一类中途丢失视觉证据、靠语言先验碰巧答对。

久而久之，策略优化就可能把概率质量分配给「答案正确但证据失真」的轨迹。本文将这种由rollout数据分布、序列结构与稀疏结果奖励共同诱发的系统性视觉衰减，概括为「分布性视觉遗忘」。

西北工业大学、香港科技大学和浙江大学的研究团队提出Remember-R1，试图从源头上修正这一偏置：不修改推理流程，而是在强化学习后训练中加入三种过程奖励，让模型不仅要答对，还必须在整条推理链中持续表达、保留并准确调用视觉证据。

论文链接：https://arxiv.org/abs/2608.01314

代码链接：https://github.com/Ch921-cell/Remember-R1

模型链接：https://huggingface.co/JM-Chen/Remember-R1-7B

要理解 Remember-R1，首先要区分两个看似相近的问题：

视觉记忆失败：模型最初读取了正确证据，却在长链推理中逐渐减少对图像的依赖。

Remember-R1针对的是第二种。其关键矛盾可以写成一句话：视觉证据是固定条件，语言状态是增长变量；模型越往后推理，越容易被自己生成的文本重新定义上下文。

假设同一个问题产生两条推理轨迹：

轨迹 A 在每个关键步骤都重新调用图像证据，最终答对；

轨迹 B 在中途脱离图像，依靠语言先验或早期描述继续推演，也最终答对。

如果奖励函数只检查最终答案，那么两条轨迹得到的结果奖励几乎相同。对强化学习来说，它们都是「好样本」。这构成了一个典型的轨迹不可辨识问题：结果监督知道终点是否正确，却不知道模型为什么到达这个终点。

当这种不可辨识性与长序列中的自回归累积叠加，视觉遗忘就不再只是偶发错误。每轮 rollout 都可能产生一批「碰巧答对但已经不看图」的轨迹；如果这些轨迹继续获得正向优势，策略就会逐渐提高它们的生成概率。最终，被强化的不只是某个答案，而是一种越来越偏向文本自洽、越来越远离视觉证据的推理分布。

严格来说，这种偏置并非静态训练集单独造成，而是由三者共同形成：

模态分布不对称：视觉条件固定，文本上下文持续增长；

信用分配稀疏：最终答案奖励难以定位视觉依赖从哪一步开始衰减；

正确轨迹不唯一：相同答案背后，可能对应完全不同的证据路径。

现有方法通常在推理阶段补救：重新插入原图或局部图像，或者增加视觉声明和验证步骤。

它们解决的是「模型忘了之后如何再看一次」。Remember-R1则把问题前移到后训练阶段，追问的是：能否从一开始就让模型少学那些会忘记图像的轨迹？

从「答案正确」到「证据正确」

Remember-R1的核心，不是简单给模型多发几种奖励，而是重新定义什么叫「值得强化的推理」。

从优化视角看，它的总奖励可以抽象为：

总奖励 = 答案正确性奖励 + 视觉词汇奖励 + 视觉记忆奖励 + 视觉关键区域奖励

其中，答案正确性奖励决定模型有没有完成任务，另外三项奖励则约束模型用什么方式完成任务。

严格来说，论文将后三项称为过程奖励，而不是传统损失函数中的 L1、L2 或KL正则项。

但从策略优化的作用来看，它们构成了行为层面的奖励正则化：通过提高视觉忠实轨迹的相对收益，缩小「可接受策略」的范围，阻止模型沿着纯文本捷径继续优化。

第一层：用视觉词汇奖励约束「说了什么」

研究团队先从训练图像中提取物体类别、颜色、大小、数量和空间关系等短视觉词组，再通过严格的词或短语匹配，统计回答覆盖了哪些视觉事实。

奖励不仅取决于匹配了多少视觉词，还取决于这些词最后一次出现的位置。视觉证据覆盖越充分、在推理链中保持得越久，得分越高。

这一项约束的是视觉证据的语义分布：不能只在开头说一句「图中有……」，随后就进入纯语言推理；关键视觉事实必须持续出现在后续轨迹中。

第二层：用视觉记忆奖励约束「看了多久」

只要求模型反复说出视觉词，还不能证明它真的在使用图像。为此，Remember-R1从模型最后一层提取每个生成步骤对视觉 token 的注意力，并比较推理早期和后期的平均水平。

如果后期视觉注意力快速下降，奖励就会降低；如果模型在整条推理链中保持相对稳定的视觉依赖，奖励就会提高。

这一项约束的是视觉依赖的时间分布。它不要求注意力绝对不变，而是直接惩罚「越想越不看」的系统性衰减。

第三层：用关键区域奖励约束「看向哪里」

模型持续看图，并不意味着它看对了地方。无差别关注整张图像，同样可能制造虚假的视觉忠实。

研究团队将训练样本中的关键区域映射到对应的视觉 token，计算注意力落在问题相关区域的比例，并对推理后期赋予更高权重。模型不仅要保持视觉注意力，还要把有限的注意力预算持续分配给真正决定答案的区域。

这一项约束的是视觉注意力的空间分布，防止模型通过「形式上看图、实际上看错位置」来获取奖励。

三层奖励由此形成完整闭环：

视觉词汇奖励约束证据有没有进入语言轨迹；

视觉记忆奖励约束证据有没有贯穿推理前后；

视觉关键区域奖励约束模型调用的是不是有效证据。

它们与答案正确性奖励共同进入 GRPO 训练。对同一个问题生成的多条 rollout，依据视觉证据完成推理的轨迹会获得更高相对优势，逐渐占据更多策略概率；中途滑向纯文本推理的轨迹则被压低。

7B模型七项基准全涨

给推理过程增加约束，最直接的风险是过度正则化：模型可能为了反复提及图像而生成冗余描述，也可能因为注意力被强行拉回视觉 token，损害原有的推理和感知能力。

因此，Remember-R1需要回答两个问题：奖励正则化能否跨任务提升推理，以及这种提升是否以牺牲基础视觉能力为代价。

实验覆盖数学与逻辑推理、综合多模态能力和视觉感知三类任务。Remember-R1-7B在七项基准上均高于对应基座模型，与其他视觉遗忘缓解方法相比也展现出更具竞争力的整体表现。

其中：

MathVista从62.30提升至69.80，增加7.50 分；

MMVet从59.44提升至72.37，增加12.93 分；

RealWorldQA从69.28提升至69.67，基础视觉感知能力没有因过程约束而下降。

前两项结果表明，过程奖励带来的收益并未局限在一种推理任务上；RealWorldQA的结果则说明，在论文所测试的范围内，Remember-R1不是通过牺牲「看见」的能力来换取「推理」的提升，而是在重新组织模型调用既有视觉能力的方式。

这组实验为「后训练可以纠偏视觉轨迹分布」提供了实证支持。不过，它证明的是论文所覆盖模型与基准上的有效性，并不等于视觉遗忘已经被彻底消除。更准确的说法是：三种过程奖励显著降低了长链推理向纯文本分布漂移的倾向。

全新后训练范式

Remember-R1表面上在解决视觉遗忘，背后触及的却是大模型后训练中更普遍的问题：当结果奖励无法唯一确定正确行为时，模型究竟会学到哪一种策略？

后训练不仅放大能力，也规定能力如何被调用

一种常见理解是，强化学习后训练主要负责激发基础模型中已有的潜在能力。但 Remember-R1进一步表明，即使「能力已经存在」，模型在长轨迹中何时调用、持续调用多久、依据哪些证据调用，仍然取决于奖励函数如何分配优势。

换句话说，后训练优化的不只是能力上限，也在塑造能力的调用策略。模型具备视觉感知能力，不代表它会在长链推理中持续使用这种能力；只有当视觉依赖进入奖励函数，策略优化才会把「持续看图」变成高概率行为。

过程奖励的本质，是给正确性增加「证据条件」

最终答案奖励定义的是：

模型是否答对。

Remember-R1加入的过程奖励定义的是：

模型是否依据正确证据答对。

这一步看似只是奖励工程，实际上缓解了结果监督中的不可辨识性。它为「正确」增加了证据条件，让原本能够获得相同结果奖励的多条轨迹，在策略更新中被重新排序。

因此，奖励正则化不是额外教给模型一个答案，而是在改变答案背后的轨迹分布：视觉忠实的轨迹被上调，脱离观测的语言捷径被下调。

从视觉推理走向长程智能体

这种分布偏置并非图像问答独有。在长视频理解中，早期帧会被后续文本摘要覆盖；在屏幕操作中，智能体可能逐渐相信自己的动作描述，而不是最新界面状态；在机器人导航中，内部计划也可能压过实时环境反馈。

这些任务具有共同结构：外部观测相对固定或稀疏，模型内部生成的语言状态持续增长。推理越长，策略越可能从「依据环境行动」滑向「依据自身叙事行动」。

Remember-R1提供的普遍启示是：与其等模型遗忘后再增加检索、回看或验证步骤，不如在后训练阶段直接奖励「持续依据环境」的轨迹。只要能够把证据表达、记忆保持和关键区域注意力转化为可计算信号，奖励函数就有机会纠正 rollout 数据中固有的分布漂移。

结语

长链推理时代，人们习惯把更多 token、更长思考和更强能力画上等号。Remember-R1提醒我们：对于多模态模型，推理长度只有在证据没有中途退出时才有价值。

这项工作的关键贡献，不只是设计了三种视觉奖励，而是把「视觉遗忘」从推理阶段的表面故障，重新表述为可以由后训练干预的策略分布问题。答案奖励负责告诉模型终点在哪里，过程奖励则不断校准它通往终点的证据路径。

从这个意义上说，后训练的下一步可能不只是让模型获得更高分，而是让它学会：无论思考多长，都不能忘记自己的判断究竟来自哪里。

参考资料：

https://arxiv.org/abs/2608.01314

编辑：LRST

秒追ASI