EASE 提出空间注意力监督，修正多模态 RLVR 的感知盲区
多模态 RLVR 只奖励答对，EASE 额外监督模型注意力看对证据区域，让答对基于真看图而非语言猜测。
强化学习与可验证奖励（RLVR）只用最终答案是否正确来训练视觉语言模型，却不管模型是否真的看了图中证据。哈工大等机构提出 EASE，在训练时把标注的证据区域转化为注意力监督信号，引导模型关注正确位置。在 Qwen2.5-VL-7B 等基座上，相比仅用结果奖励的基线，平均提升约 2.5 到 3.1 个百分点，推理时无需额外标注。
正文摘录
.jpg)  强化学习与可验证奖励（RLVR）已成为提升视觉语言模型（VLM）推理能力的标配手段。但一个隐蔽的问题始终存在： 最终答案的奖励信号，只告诉模型「答对了没有」，却从不告诉它「答案应该从图像的哪个区域得出」。 答对，可能是因为真的看懂了图，也可能只是语言先验的捷径、数据集的偏差，甚至是一次幸运的瞎猜。 来自哈工大、中关村学院等机构的研究团队提出 EASE（Evidence-Anchored Spatial Attention），把标注的证据区域转化为视觉 token 上的平滑目标分布，在 RL 训练过程中直接监督「回答 token 看向图像哪里」的空间注意力，且推理阶段无需任何额外标注。在 Qwen2.5-VL-7B、Qwen3-VL-4B、Qwen3-VL-8B 三个基座上，EASE 相比最强 outcome-only 基线 DAPO，平均分分别提升 2.9、3.1、2.5 个百分点。 一句话总结 EASE 的理念：不只教模型「答什么」，更教模型「看哪里」。