腾讯开源多模态统一 CoT 奖励模型

腾讯混元联合上海 AI Lab、复旦大学、上海创智学院，于近日正式推出了全新研究成果 —— 统一多模态奖励模型（Unified Reward-Think）。“首次让奖励模型在各视觉任务上真正 “学会思考”，实现对复杂视觉生成与理解任务的准确评估、跨任务泛化与推理可解释性的大幅提升。”

目前该项目已全面开源：包括模型、数据集、训练脚本与评测工具。“UnifiedReward-Think 展示了奖励模型的未来方向 —— 不仅仅是一个 “打分器”，而是一个具备认知理解、逻辑推理与可解释输出能力的智能评估系统。”

一、背景与动机：奖励模型也需要 “思考”

当前的多模态奖励模型大多只能对结果进行 “表面判断”，缺乏深度推理与可解释的决策依据，难以支撑对复杂视觉任务的精准评估。该工作研究团队提出关键问题：是否可以引入 “长链式思考”（Chain-of-Thought, CoT）机制，赋予奖励模型更强的推理能力？

挑战在于，当前缺乏高质量的多模态 CoT 奖励推理数据，传统 SFT 等训练范式难以直接教会模型掌握推理过程。他们认为，多模态大模型本身具备深层、多维度的推理潜力，关键在于设计一套高效训练范式去激发并强化奖励模型的 “思考能力”。

 

二、解决方案：三阶段训练范式，逐步进化奖励模型推理能力

该研究提出一套新颖的 “三阶段” 训练框架，分为 “激发 → 巩固 → 强化”，层层推进模型的推理进化：

阶段一：冷启动激发（Cold Start）

使用仅 5K 图像生成任务的高质量 CoT 奖励推理数据，让模型学会基本的推理格式与结构。实验表明，这一阶段就能激发模型在多个视觉任务中的推理能力。

阶段二：拒绝采样巩固（Rejection Sampling）

利用冷启动后的模型在各视觉任务的泛化能力，对大规模多模态偏好数据进行推理，通过拒绝采样剔除逻辑错误样本，强化模型对正确思维链的推理模式。

阶段三：GRPO 强化（Group Relative Policy Optimization）

针对推理错误样本，引入 GRPO 强化学习机制，引导模型探索多样化推理路径，从错误中学习，逐步收敛到正确逻辑思考。

三、实验亮点：奖励模型不仅能 “显示长链推理”，还能 “隐式逻辑思考”

UnifiedReward-Think 在多个图像生成与理解任务中进行了系统评估，结果表明该模型具备多项突破性能力：

• 更强可解释性：能够生成清晰、结构化的奖励推理过程；
• 更高可靠性与泛化能力：各视觉任务均表现出显著性能提升；
• 出现隐式推理能力：即使不显式输出思维链，模型也能作出高质量判断，表明推理逻辑已 “内化” 为模型能力的一部分。
• 定量实验：长链推理带来全面性能飞跃

定量结果表明，在图像与视频生成奖励任务中，全面优于现有方法；在图像理解类奖励任务上，长链思维链推理带来显著性能提升，验证了复杂视觉理解对深度推理能力的高度依赖；即便在不显式输出思维链的情况下，模型仍能通过隐式逻辑推理保持领先表现，相比显式 CoT 推理仅有轻微下降，展现出强大的 “内化逻辑” 能力；与基础版本 UnifiedReward 相比，加入多维度、多步骤推理带来了多任务的全面性能跃升，验证了 “奖励模型也能深度思考” 的价值。

消融实验：三阶段训练策略缺一不可

该工作进行了系统的消融实验，验证三阶段训练范式中每一步的独立贡献：

• 冷启动阶段：模型学会了 CoT 推理的结构，但对奖励预测的准确性仍较有限；
• 拒绝采样阶段：通过筛除推理错误样本，显著提升了模型对 “正确思维链” 的偏好，有效增强了模型的稳定性与泛化性；
• GRPO 阶段：提升幅度最大，模型聚焦于错误推理样本，通过多路径推理探索，逐步收敛至更精确的推理过程，体现出该阶段对 “推理纠错” 的关键作用。

无推理路径的 GRPO 版本效果显著下降。进一步验证：若去除 CoT 推理、让奖励模型仅对最终答案进行 GRPO 强化，虽然略优于 baseline，但提升比较有限。说明仅优化结果远不足以驱动深层推理能力的形成。

结论：显式建模思维链推理路径，是强化奖励模型泛化与鲁棒性的关键。GRPO 训练阶段之所以有效，根源在于 “强化正确推理过程”，而非仅仅是 “强化正确答案”。

 

更多详情可查看官方公告。