📜 引言：短答案的困境与推理的必要性
链式推理（Chain-of-Thought, CoT）在视觉语言模型（Vision-Language Models, VLM）中的重要性不言而喻。想象一下，当你在图书馆借书时，图书馆员只告诉你“书在三楼”，而不告诉你需要通过哪扇门、上哪部电梯，这样的信息显然是不够的。对于VLM来说，这种“短答案”的问题同样存在。当前训练的数据集主要依赖于简短的答案，缺乏详细的推理过程，这就好比给一个学生提供了考试答案，但从未教会他如何解题。
研究表明，仅依靠短答案训练的VLM，在需要复杂推理的任务中表现欠佳。本文提出了一种双重策略：首先，我们利用GPT-4o模型提取推理路径，丰富训练数据；其次，应用强化学习进一步校准推理质量。通过这些改进策略，我们显著提升了VLM在链式推理任务中的表现，并且在直接答案预测方面也实现了更好的泛化能力。
🧐 为什么链式推理很重要？
我们可以将VLM的推理过程类比为人类解决问题的思路。假设你要计算某个条形图中的食品种类数量，人的常规思路是逐一数出每个条形的标签，然后得出总数。然而，现有的VLM训练数据通常直接给出答案，比如“14种食品”，