V-tableR1：过程监督强化学习实现可验证的多模态表格推理

V-tableR1通过过程监督强化学习框架，让多模态大模型从黑盒模式匹配转向可验证的逻辑推导。该框架引入专门的Critic VLM提供逐步反馈，结合PGPO优化算法，在仅4B参数的情况下超越了18倍体量的模型，在复杂表格推理基准上达到开源模型最优水平。

当前多模态大语言模型（MLLM）处理视觉任务时依赖表面化模式匹配，而非严格多步逻辑推导，导致易产生视觉幻觉、走捷径猜测，推理过程缺乏可解释性和可验证性。

1. 过程监督：区别于仅关注最终答案的传统方法，要求模型每一步推理透明可验证；选择表格作为试验场，利用其结构化特征实现推理验证。
2. 双模型架构：Policy VLM生成显式视觉思维链，Critic VLM提供细粒度逐步反馈。
3. PGPO算法：整合过程奖励（奖励正确步骤）、解耦策略约束（平衡探索与稳定）、长度感知动态采样（调整推理链长度）。

• 规模效率：4B参数模型超越18倍体量开源模型；
• 幻觉抑制：有效惩罚视觉幻觉和捷径猜测；
• 超越SFT：强化学习优化模型性能显著优于监督微调版本；
• 开源最优：在复杂表格推理任务上达到开源模型最优水平。

• 可验证推理框架：首次在视觉领域实现系统性过程监督，为其他视觉推理任务提供借鉴；
• 表格试验场：证明结构化视觉信息在推理验证中的价值；
• 强化学习新范式：PGPO算法为多模态强化学习提供优化思路。

可应用于财务报表分析、科研数据处理、商业智能决策支持、教育辅助解题指导等场景，提供透明可验证的推理过程。

局限：仅针对结构化表格，自然图像场景挑战大；Critic训练成本及双模型部署复杂度高。 未来方向：扩展到自然图像领域、开发高效Critic训练方法、探索单模型架构下的过程监督实现。