AVR：面向高效视觉推理的自适应推理路径学习框架

AVR（面向高效视觉推理的自适应推理路径学习框架）通过将视觉推理分解为感知、逻辑推理和答案应用三个认知功能，让模型动态选择最简响应格式，在保持准确率的同时将token使用量减少50-90%，有效缓解视觉推理模型的过度思考问题。

视觉推理模型（VRMs）在拓展AI视觉理解能力的同时存在显著效率问题：过度思考。表现为所有任务生成冗长推理链，无论问题复杂度如何。其危害包括推理延迟增加、计算成本上升、用户体验下降、错误累积风险。根源在于推理路径冗余，模型缺乏根据问题调整推理过程的能力。

AVR将视觉推理分解为三个核心功能：

1. 视觉感知：提取图像信息（识别物体、空间关系等），适用于简单事实性问题；
2. 逻辑推理：处理数学计算、因果推断等推导需求，适用于复杂问题；
3. 答案应用：整合结果输出最终答案。 关键洞察：不同问题对三层功能需求不同，当前VRMs统一使用完整流程导致效率浪费。

AVR引入三种响应格式，模型根据问题特性动态选择：

1. 完整格式：含详细感知、推理和答案推导，适用于复杂问题；
2. 仅感知格式：仅输出感知结果，适用于空间理解等直接观察问题；
3. 直接答案：无中间推理，适用于高度直接或高置信度问题。 格式选择由模型动态决定，是核心创新点。

AVR采用FS-GRPO训练方法：

• 双重目标：正确性奖励（保持答案准确）+效率奖励（鼓励更简洁格式）；
• 组相对策略优化：对每个样本生成多候选响应，基于组内正确性和效率表现更新策略，引导模型选择最简正确格式。

AVR在多个基准测试中表现：

• token使用量减少50-90%：感知密集型任务改进最显著，推理任务仍有明显优化；
• 准确率保持：未牺牲答案准确性，验证过度思考的冗余性；
• 格式选择模式：简单事实问题用直接答案，空间问题用仅感知格式，数学逻辑问题用完整格式。

启示：

1. 效率与能力解耦：冗长推理≠强能力，元认知（知道何时深入）更重要；
2. 分层架构优势：感知、推理、应用分离利于模块化和可解释性；
3. 泛化潜力：自适应机制可应用于文本推理、机器人决策等领域。 局限性与未来：格式划分粗糙，需更细粒度选择；可优化格式决策机制；未来探索连续推理调节、结合加速技术、扩展到视频推理场景。

AVR通过认知功能分解和动态格式选择，在保持准确率的同时大幅减少token使用，有效缓解过度思考。其贡献不仅是技术方法，更展示了智能效率的核心：知道何时停止而非无限制深入。这种自适应分层策略有望成为视觉AI及其他领域的标准范式。