MG-Thinker: Bi-Axial Self-Reflection for Multi-Image Reasoning Grounding
MG-Thinker：多图像推理定位的双轴自反思框架
🧭 多模态推理定位 · RL 后训练
Huazhong University of Science and Technology · Tsinghua University
提出MG-Thinker后训练RL框架，通过层次化推理与双轴优势分解提升多图像推理定位性能
📌 工作参考价值
- BiA-DAPO 优势分解可借鉴到多任务/多场景推荐 RL 训练：将 rollout 优势沿组内信号轴和组间能力轴分解，能缓解不同任务难度、不同用户群体样本分布异质带来的优势估计偏差，适合电商推荐中不同品类、不同活跃度用户的差异化建模。
- 任务自适应 CoT 可迁移到 Agent 规划与复杂查询理解：根据任务难度动态调整思维链粒度——简单 query 直接生成、复杂 query 多步推理，能节省 token 并提升推理效率，可用于搜索广告中的 query 改写或商品推荐理由生成。
- 候选池稳定组级统计的方法值得工程实现借鉴：在 RL 训练中维护候选池以获得稳定的组级统计量，可迁移到推荐模型的在线学习或 A/B 测试分桶中，减少小样本波动对策略更新的影响。
- 层次化推理范式可复用于多模态商品理解：从粗到细定位（先全局场景后局部细节）的思路，适合电商中多角度商品图、视频帧的细粒度视觉定位任务，如自动识别商品瑕疵或关键属性区域。
动机：现有 RL 方法在多模态推理上取得进展，但用于多图像推理定位（MRG）时，忽略了该任务的两大特性：粗到细的层次推理模式，以及任务-样本难度的异质分布。这导致模型在真实多图像场景下难以稳定收敛到像素级精确输出。
方法关键点：
- 提出 MG-Thinker 后训练 RL 框架，构建 25K MRG 数据集，标注任务自适应 Chain-of-Thought（CoT），引导模型先收集多视角证据再下结论。
- 设计 Bi-Axial DAPO（BiA-DAPO），将 rollout 优势沿两个轴分解：组内信号轴捕捉同一任务组内样本的相对优劣，组间能力轴刻画不同任务组之间的难度差异；两个机制均基于定义的候选池计算稳定组级统计。
- 框架支持层次化推理：先从粗粒度全局理解到细粒度局部定位。
关键结果：MG-Thinker 在多图像推理定位任务上取得 SOTA，并在多图像理解和多种多模态基准上展现出一致的泛化提升。