全球首发，视觉"Aha时刻"到来!华师大联合小红书提出复杂推理多模态大模型Vision-R1，7B效果直逼满血OpenAI O1

文章预览

论文标题： Vision-R1: Incentivizing Reasoning Capability in Multimodal Large Language Models. Github仓库：  https://github.com/Osilly/Vision-R1 论文链接：   h ttps://arxiv.org/abs/2503.06749 研究团队： 华东师范大学、小红书NLP团队 激发多模态大模型复杂推理能力面对的挑战 在通向通用人工智能（Artificial General Intelligence, AGI）的道路上，复杂推理能力始终是大语言模型（Large Language Models, LLMs）的重要瓶颈，而这一挑战在引入视觉模态后变得更为艰巨。这存在以下几个问题： 01 大语言模型推理火热，但多模态推理仍是短板 近年来，纯文本领域推理方法（如“链式思考”、Tree-of-Thought 等）发展迅速，证明了在文本任务中，通过显式的多步推理，可极大提升模型在复杂问题上的表现。然而，这些方法大多只聚焦在文本输入上，很少考虑视觉信息。多模态大模型若只停留在“根据图像 ………………………………