這項令人振奮的研究來自中國人民大學高瓴人工智能學院、百川智能以及北京智源人工智能研究院的合作團隊。論文由杜亦凡、劉子康、李亦凡等研究人員共同完成，其中趙鑫教授為通訊作者。研究成果于2025年2月發(fā)表在arXiv預印本平臺（論文編號：arXiv:2501.01904v2），感興趣的讀者可以通過https://github.com/RUCAIBox/Virgo獲取相關資源和代碼。

人工智能正在經(jīng)歷一場悄然而深刻的變革。就像人類在面對復雜問題時會停下來仔細思考一樣，最新的AI系統(tǒng)也開始學會"慢思考"。當我們遇到一道復雜的數(shù)學題時，不會立即給出答案，而是會在腦海中反復推演、驗算、檢查，這種思維過程被稱為"慢思考"。近期，OpenAI的o1模型和其他一些商業(yè)系統(tǒng)已經(jīng)在文字處理方面展現(xiàn)出了這種能力，它們能夠像人類一樣進行長時間的推理思考。

然而，當涉及到既需要"看"又需要"想"的視覺推理任務時，情況就變得復雜多了。比如解一道幾何題，AI不僅需要理解圖形，還要進行復雜的數(shù)學推理。這就好比一個人既要當翻譯官又要當數(shù)學家，難度可想而知。

正是在這樣的背景下，中國研究團隊開發(fā)出了名為Virgo（Visual reasoning with long thought，視覺長思維推理）的系統(tǒng)。這個系統(tǒng)最令人驚訝的地方在于，研究團隊發(fā)現(xiàn)了一個幾乎違反直覺的現(xiàn)象：要讓AI在視覺推理上變聰明，最有效的方法竟然不是給它看大量的圖片和推理過程，而是讓它學習純文字的思考案例。

這種發(fā)現(xiàn)就像發(fā)現(xiàn)學鋼琴最好的方法不是反復練習鋼琴，而是先學會讀譜和理解音樂理論一樣令人意外。研究團隊僅僅使用了大約5000個純文字的思維推理案例，就讓Virgo在多個極具挑戰(zhàn)性的視覺推理測試中達到了與頂級商業(yè)系統(tǒng)相當甚至更好的表現(xiàn)。

這一發(fā)現(xiàn)的重要性不僅僅在于技術突破本身，更在于它揭示了AI思維能力的一個深層規(guī)律：推理能力具有跨模態(tài)的通用性。換句話說，在文字世界中培養(yǎng)的思考技巧，可以無縫轉(zhuǎn)移到視覺理解中。這為未來AI系統(tǒng)的訓練提供了一條更加經(jīng)濟高效的路徑。

一、突破傳統(tǒng)認知：純文本訓練締造視覺推理奇跡

要理解這項研究的革命性意義，我們首先需要明白什么是"慢思考"AI系統(tǒng)。傳統(tǒng)的AI就像一個訓練有素的客服人員，無論你問什么問題，它都會立即給出答案。而慢思考AI更像一位深思熟慮的專家，它會先在"腦海"中進行長時間的分析、推理、驗證，然后才給出最終答案。

以解決一道復雜的幾何題為例，傳統(tǒng)AI可能會這樣工作：看到題目，直接計算，給出答案。而慢思考AI的工作過程則完全不同：它會首先仔細觀察圖形，描述看到的內(nèi)容，然后分析題目要求，制定解題策略，逐步進行計算，甚至還會回頭檢查自己的推理過程是否正確。

研究團隊面臨的核心問題是：如何讓AI系統(tǒng)在處理視覺問題時也能進行這樣的深度思考？按照常理，最直接的方法應該是收集大量包含圖片的推理案例，讓AI學習如何在看圖的同時進行思考。但這種方法成本極高，需要人工標注大量的視覺推理過程，而且效果往往不盡如人意。

研究團隊選擇了一條完全不同的道路。他們大膽假設：既然多模態(tài)大語言模型（MLLM）的推理能力主要來自其語言模型核心，那么純文字的推理訓練應該也能提升視覺推理能力。這就好比認為一個人的邏輯思維能力是通用的，無論是分析文字材料還是解讀圖表，用的都是同一套思維方法。

為了驗證這個假設，研究團隊從DeepSeek-R1-Lite-Preview和QwQ-32B-preview兩個開源的慢思考系統(tǒng)中收集了大約5000個高質(zhì)量的文本推理案例。這些案例涵蓋了數(shù)學、科學、編程和邏輯推理等多個領域，其中數(shù)學領域的案例占大多數(shù)，因為數(shù)學問題通常需要更長的推理過程。

每個訓練案例都包含兩個部分：思考過程和最終解答。思考過程就像是AI的"內(nèi)心獨白"，記錄了它從理解題目到得出結論的整個心路歷程，用特殊的標記符號包圍起來。最終解答部分則是經(jīng)過深思熟慮后給出的正式回答。

接下來，研究團隊選擇了Qwen2-VL-72B-Instruct作為基礎模型。這個選擇很有講究：它需要足夠強大以支撐復雜的推理任務，同時在視覺理解方面已有良好的基礎。訓練過程相對簡潔：只更新語言模型和跨模態(tài)連接器的參數(shù)，而視覺編碼器保持不變，學習率設為7e-6，批次大小為128，訓練10個輪次后選擇第5個輪次的模型作為最終版本。

這種訓練策略的巧妙之處在于，它沒有試圖從零開始教會AI如何"看"，而是專注于提升AI的"思考"能力。就像給一個已經(jīng)會開車的人培訓高級駕駛技巧一樣，重點是提升判斷和決策能力，而不是重新學習基礎操作。

令人驚喜的是，這種看似簡單的方法取得了出人意料的效果。在四個極具挑戰(zhàn)性的評測基準上，Virgo都表現(xiàn)出色。以MathVision數(shù)學視覺推理測試為例，基礎模型的準確率只有26.1%，而經(jīng)過文本推理訓練的Virgo準確率達到了38.8%，提升了近13個百分點。更讓人震驚的是，在最困難的OlympiadBench奧林匹克競賽級別測試中，Virgo的表現(xiàn)從11.2%躍升到29.9%，提升了18個百分點以上。

這些數(shù)字背后的意義遠比表面看起來更重要。它們證明了一個重要理論：推理能力確實具有跨模態(tài)的通用性。無論是處理文字還是圖像，AI使用的都是同一套底層的邏輯思維框架。這一發(fā)現(xiàn)為AI系統(tǒng)的訓練開辟了新的可能性，使得我們可以用更經(jīng)濟的方式構建更強大的多模態(tài)AI系統(tǒng)。

二、深入機制探索：文本推理如何點亮視覺智能

為了更全面地驗證文本推理訓練的效果，研究團隊還探索了另一條技術路線：直接從現(xiàn)有的視覺慢思考系統(tǒng)中提取推理案例。這就好比既可以通過閱讀推理小說來培養(yǎng)邏輯思維，也可以通過觀摩真實的案例分析來學習。

在視覺推理數(shù)據(jù)的構建上，研究團隊展現(xiàn)了嚴謹?shù)目茖W態(tài)度。他們精心挑選了八個不同領域的數(shù)據(jù)集，涵蓋幾何學、表格圖表分析和物體識別等多個方面。具體來說，幾何領域包括Geos、GeoQA+、Geometry3K和UniGeo四個數(shù)據(jù)集，表格圖表領域包括TabMWP、FigureQA和ChartQA三個數(shù)據(jù)集，還有一個專門的物體識別數(shù)據(jù)集CLEVR。每個數(shù)據(jù)集都提供了數(shù)百個精心標注的問題，總計超過4000個視覺推理案例。

在生成視覺推理過程時，研究團隊采用了兩種策略。第一種是直接使用商業(yè)化的QVQ系統(tǒng)來生成推理軌跡，就像請一位經(jīng)驗豐富的老師來示范解題過程。第二種更有創(chuàng)意：使用已經(jīng)經(jīng)過文本推理訓練的Virgo模型來進行"自我蒸餾"，讓它為視覺問題生成推理過程。這種做法的巧妙之處在于形成了一個自我改進的循環(huán)：文本訓練提升推理能力，推理能力反過來幫助生成更好的視覺推理案例，而這些案例又能進一步提升系統(tǒng)的表現(xiàn)。

為了確保訓練數(shù)據(jù)的質(zhì)量，研究團隊設定了嚴格的篩選標準。他們使用隨機采樣的方法讓模型多次嘗試解決同一個問題，只保留那些能夠在合理嘗試次數(shù)內(nèi)正確解決的問題。這種做法確保了訓練數(shù)據(jù)既有一定的難度，又在模型的能力范圍之內(nèi)，避免了過于簡單或過于困難的極端情況。

實驗結果顯示了一個有趣的現(xiàn)象：純文本推理訓練的效果往往優(yōu)于或至少不遜于視覺推理數(shù)據(jù)的訓練效果。在多個測試中，僅使用5000個文本案例訓練的模型表現(xiàn)甚至超過了使用6600個視覺案例訓練的模型。這個發(fā)現(xiàn)進一步證實了研究團隊的核心假設：推理能力的核心在于邏輯思維框架，而不在于具體的輸入模態(tài)。

更深入的分析揭示了這種現(xiàn)象背后的原因。研究團隊發(fā)現(xiàn)，許多看似需要復雜視覺推理的問題，實際上更多依賴感知能力而非推理能力。比如一個簡單的圖表讀數(shù)問題，主要挑戰(zhàn)在于準確識別數(shù)字，而不是進行復雜的邏輯推理。相比之下，純文本的數(shù)學問題往往包含更長、更復雜的推理鏈條，為AI提供了更好的推理訓練素材。

研究團隊還嘗試了混合訓練策略，即同時使用文本和視覺推理數(shù)據(jù)進行訓練。結果顯示，這種方法能夠在一定程度上結合兩種數(shù)據(jù)類型的優(yōu)勢，但改進效果相對有限。這進一步證明了文本推理訓練已經(jīng)能夠有效地提升視覺推理能力，額外的視覺數(shù)據(jù)主要起到補充作用。

為了驗證方法的普適性，研究團隊還在規(guī)模更小的7B參數(shù)模型上重復了實驗。結果顯示，在小模型上，視覺推理數(shù)據(jù)的效果相對更好，特別是在某些特定任務上。這個發(fā)現(xiàn)提示我們，模型規(guī)?？赡軙绊懖煌柧毑呗缘挠行?。對于計算資源有限的應用場景，混合使用文本和視覺推理數(shù)據(jù)可能是更好的選擇。

這些實驗不僅驗證了核心方法的有效性，更重要的是為我們理解AI推理能力的本質(zhì)提供了寶貴的洞察。它們表明，推理能力更多是一種抽象的認知技能，而不是依賴特定輸入模態(tài)的專門技術。這為未來開發(fā)更加通用、更加高效的AI推理系統(tǒng)指明了方向。

三、細致入微的性能解剖：數(shù)據(jù)背后的深層洞察

為了深入理解Virgo系統(tǒng)的能力邊界和工作機制，研究團隊進行了一系列精心設計的分析實驗，就像醫(yī)生為病人做全面體檢一樣，每個細節(jié)都不放過。

首先，研究團隊發(fā)現(xiàn)了一個引人深思的規(guī)律：越困難的任務，越能從慢思考訓練中獲益。他們通過分析不同測試任務中AI生成回答的平均長度發(fā)現(xiàn)，那些需要更長推理過程的任務往往也是AI提升最明顯的任務。比如在奧林匹克競賽級別的OlympiadBench測試中，AI的回答平均長度最長，同時性能提升也最為顯著。相比之下，在相對簡單的MMMU測試中，AI的回答較短，性能提升也相對有限。

這個發(fā)現(xiàn)就像揭示了一個學習規(guī)律：對于需要深度思考的復雜問題，系統(tǒng)性的推理訓練能夠帶來顯著的改進；而對于主要依賴記憶或簡單判斷的問題，推理訓練的作用就比較有限。這也解釋了為什么Virgo在某些測試中的表現(xiàn)令人印象深刻，而在另一些測試中的改進則相對溫和。

為了進一步驗證這個假設，研究團隊對MMMU測試進行了更細致的分析。他們按照問題難度將測試樣本分為簡單、中等和困難三個等級。結果發(fā)現(xiàn)，在困難問題上，Virgo的準確率達到54.7%，明顯超過了商業(yè)系統(tǒng)QVQ的48.6%。而在簡單和中等難度的問題上，Virgo的表現(xiàn)則略遜于QVQ。這個現(xiàn)象進一步證實了慢思考訓練對復雜推理任務的特殊價值。

接下來，研究團隊探索了訓練數(shù)據(jù)的推理長度對系統(tǒng)性能的影響。他們將文本推理案例按照長度分為三個區(qū)間：短推理（2000字符以內(nèi)）、中等推理（2000-4000字符）和長推理（4000-8000字符），分別訓練不同的模型版本。結果顯示，使用中等長度推理數(shù)據(jù)訓練的模型表現(xiàn)最好，而使用過長推理數(shù)據(jù)的模型性能反而有所下降。

這個發(fā)現(xiàn)很有啟發(fā)性。就像烹飪時火候的把控一樣，推理過程也需要恰到好處的"火候"。過短的推理過程可能無法充分展現(xiàn)復雜的思維鏈條，而過長的推理過程則可能包含冗余信息，甚至誤導模型學習。研究團隊通過分析發(fā)現(xiàn)，過長的推理案例主要集中在數(shù)學領域，這些案例雖然展現(xiàn)了詳盡的計算過程，但對于視覺推理任務來說可能過于復雜，超出了實際需要的推理深度。

在數(shù)據(jù)規(guī)模的影響方面，研究團隊進行了系統(tǒng)性的規(guī)模實驗。他們分別使用1000、3000和5000個文本推理案例進行訓練，觀察性能隨數(shù)據(jù)量的變化趨勢。結果顯示，增加訓練數(shù)據(jù)量通常能夠帶來性能提升，但不同任務的敏感度不同。比如在MathVision測試中，從1000個案例增加到5000個案例，72B模型的性能提升了約8個百分點，而7B模型的提升幅度相對較小。

一個特別有趣的觀察是關于視覺推理數(shù)據(jù)難度的影響。研究團隊嘗試了三種不同難度級別的視覺推理數(shù)據(jù)：中等難度（基礎模型能在多次嘗試中大部分時候解決）、高難度（基礎模型只能偶爾解決）和隨機難度（不考慮基礎模型的解決能力）。令人意外的是，這三種不同難度的數(shù)據(jù)在最終的模型性能上沒有顯示出顯著差異。

這個結果提示我們，對于視覺推理訓練來說，數(shù)據(jù)的質(zhì)量可能比難度分布更重要。換句話說，關鍵不在于問題有多難，而在于推理過程有多清晰、多完整。這為未來的數(shù)據(jù)構建策略提供了重要指導：與其花大量精力去平衡數(shù)據(jù)難度，不如專注于確保每個推理案例都能提供清晰、有價值的思維示范。

研究團隊還分析了不同領域訓練數(shù)據(jù)的貢獻。他們發(fā)現(xiàn)數(shù)學領域的推理案例占了訓練數(shù)據(jù)的絕大部分，這主要是因為數(shù)學問題往往需要更長、更復雜的推理過程?？茖W、編程和邏輯推理等其他領域雖然案例數(shù)量較少，但也為模型提供了多樣化的推理模式。這種多樣性可能是模型能夠成功遷移到視覺推理任務的關鍵因素之一。

通過這些詳細的分析，研究團隊不僅驗證了方法的有效性，更重要的是深入理解了影響系統(tǒng)性能的各種因素。這些洞察為未來開發(fā)更高效的多模態(tài)推理系統(tǒng)提供了寶貴的指導原則，也為其他研究團隊復現(xiàn)和改進這一方法奠定了堅實基礎。

四、實戰(zhàn)案例解析：AI思維過程的精彩展示

為了讓讀者更直觀地理解Virgo系統(tǒng)的工作原理和能力表現(xiàn)，研究團隊提供了幾個典型的案例分析，就像解剖麻雀一樣，讓我們看清AI思維的每一個細節(jié)。

第一個案例展示了Virgo的成功表現(xiàn)。這是一道關于計算三個半圓積分的數(shù)學題，題目給出了一個包含三個不同大小半圓的圖形。傳統(tǒng)的基礎模型在解決這個問題時，直接開始計算每個半圓的半徑和圓心，但在確定圓心位置時出現(xiàn)了錯誤，最終得出了錯誤的答案18π。

相比之下，經(jīng)過慢思考訓練的Virgo展現(xiàn)了完全不同的解題策略。它首先花時間仔細觀察和描述圖形："我看到這個圖形包含三個半圓，x軸范圍從0到12，y軸高度達到5。每個半圓都標有不同的數(shù)學表達式，最小的在左邊標記為√(2x-x?)，中間的標記為√(-12+8x-x?)，最大的在右邊標記為√(-72+18x-x?)。"

接下來，Virgo開始了系統(tǒng)性的數(shù)學分析。它將第一個表達式√(2x-x?)重新整理為√(1-(x-1)?)的形式，從而識別出這是一個以(1,0)為圓心、半徑為1的半圓。對于其他兩個半圓，它同樣進行了仔細的代數(shù)變換和分析。

更令人印象深刻的是，Virgo還表現(xiàn)出了自我反思的能力。在完成初步計算后，它會回頭檢查自己的推理過程："讓我再次確認一下我的理解是否正確。題目要求使用圓的公式來計算積分，這意味著我需要找到每個半圓的面積，然后求和。"最終，它正確地得出了答案7π。

這個案例完美展示了慢思考訓練帶來的三個關鍵能力提升：詳細的視覺描述能力、系統(tǒng)性的數(shù)學推理能力，以及自我檢查和驗證的元認知能力。這些能力的結合使得AI不僅能夠解決復雜問題，更重要的是能夠以人類可以理解和信任的方式解決問題。

然而，研究團隊也誠實地展示了Virgo的局限性。第二個案例是一道關于失業(yè)統(tǒng)計圖表的分析題，要求找出高中畢業(yè)生和未完成高中學業(yè)人員失業(yè)人數(shù)差距最小的月份。在這個問題上，Virgo犯了一個典型的錯誤：感知錯誤導致推理失敗。

具體來說，Virgo錯誤地讀取了9月份未完成高中學業(yè)人員的失業(yè)人數(shù)，將其誤認為11萬而不是正確的8萬。基于這個錯誤的感知，它進行了完全正確的推理過程，甚至表現(xiàn)出了自我質(zhì)疑的能力："從這個分析來看，8月和9月的差距都是最小的，這似乎有些奇怪，讓我重新檢查一下我的推理過程。"

但是，關鍵的問題在于，Virgo只檢查了推理邏輯，而沒有重新審視自己的感知結果。它重復了相同的感知錯誤，最終得出了錯誤的結論。這個案例揭示了當前慢思考系統(tǒng)的一個重要局限：它們在推理邏輯方面表現(xiàn)出色，但在感知反思方面還有待提升。

這種局限性的根源可以追溯到訓練數(shù)據(jù)的特點。由于Virgo主要使用純文本推理數(shù)據(jù)進行訓練，它學會了如何進行深度的邏輯思考，但沒有充分學會如何質(zhì)疑和重新審視視覺感知結果。這就像一個數(shù)學天才，在邏輯推理方面無懈可擊，但在讀題和理解題意方面可能還會犯錯誤。

這些案例分析不僅展示了Virgo的能力和局限，更重要的是為未來的改進方向提供了明確的指導。它們表明，下一代多模態(tài)慢思考系統(tǒng)需要在保持強大推理能力的同時，發(fā)展出更強的感知反思能力，能夠像人類一樣不僅質(zhì)疑自己的推理過程，也質(zhì)疑自己的觀察和理解。

通過這些具體而生動的案例，我們可以看到AI推理能力的發(fā)展既令人鼓舞又任重道遠。每一個成功的案例都展示了AI在模擬人類思維方面取得的進步，而每一個失敗的案例都為我們指明了繼續(xù)努力的方向。這種誠實而全面的分析正是科學研究的價值所在：不僅要展示成就，更要指出問題，為后續(xù)的發(fā)展鋪平道路。

五、技術影響與未來展望：開啟AI推理新紀元

這項研究的意義遠遠超越了技術本身的突破，它實際上為整個AI領域提出了一個全新的思考框架：推理能力的模態(tài)無關性。這個發(fā)現(xiàn)就像發(fā)現(xiàn)了學習能力的底層規(guī)律，告訴我們思維技能是可以跨領域遷移的通用能力。

從實用角度來看，這項研究為AI系統(tǒng)的開發(fā)提供了一條更加經(jīng)濟高效的路徑。傳統(tǒng)上，要讓AI具備視覺推理能力，需要收集大量昂貴的標注數(shù)據(jù)，每個樣本都需要專業(yè)人員精心設計視覺推理過程。而Virgo證明了，僅僅使用相對容易獲得的文本推理數(shù)據(jù)，就能達到相當甚至更好的效果。這就像發(fā)現(xiàn)了一條通往目的地的高速公路，不僅更快，成本也更低。

在商業(yè)應用層面，這種方法的潛力巨大。教育技術公司可以利用這種技術開發(fā)更智能的在線輔導系統(tǒng)，能夠像優(yōu)秀的家教一樣，不僅給出答案，還能展示完整的解題思路。醫(yī)療診斷領域也可能受益于這種技術，AI系統(tǒng)可以在分析醫(yī)學影像時展現(xiàn)詳細的推理過程，幫助醫(yī)生更好地理解和驗證診斷結果。

科學研究領域同樣充滿機遇。研究人員可以利用這種技術開發(fā)智能助手，幫助分析復雜的實驗數(shù)據(jù)和圖表。這些助手不僅能提供分析結果，還能展示推理過程，讓研究人員更好地理解數(shù)據(jù)背后的含義。在工程設計領域，AI可以協(xié)助分析技術圖紙和設計方案，提供詳細的評估意見和改進建議。

然而，研究團隊也清醒地認識到當前方法的局限性。最主要的問題是感知反思能力的不足。當前的系統(tǒng)雖然在邏輯推理方面表現(xiàn)出色，但在重新審視和糾正感知錯誤方面還有很大改進空間。這就像一個邏輯思維很強但觀察不夠仔細的學生，需要在觀察技能方面進一步訓練。

為了解決這個問題，未來的研究可能需要開發(fā)更加綜合的訓練策略。一種可能的方向是引入專門的感知反思訓練數(shù)據(jù)，教會AI系統(tǒng)如何質(zhì)疑和驗證自己的觀察結果。另一種可能是開發(fā)多階段的推理框架，讓AI系統(tǒng)在推理過程中多次回到感知層面進行驗證。

從更宏觀的角度看，這項研究揭示了AI能力發(fā)展的一個重要規(guī)律：高級認知技能往往具有跨模態(tài)的通用性。這個發(fā)現(xiàn)可能會影響未來AI系統(tǒng)的架構設計。與其為每種模態(tài)單獨開發(fā)專門的推理模塊，不如開發(fā)通用的推理引擎，然后通過適當?shù)慕涌谶B接到不同的感知模塊。

在數(shù)據(jù)效率方面，這項研究也開辟了新的可能性。它表明，我們可能不需要為每種新的應用場景都收集大量的專門訓練數(shù)據(jù)。相反，通過在一個領域培養(yǎng)的推理能力可以有效遷移到其他領域。這種發(fā)現(xiàn)對于資源有限的研究機構和初創(chuàng)公司來說具有特別重要的意義。

當然，這項研究也提出了一些值得深入思考的問題。比如，推理能力的遷移是否有邊界？什么類型的推理技能最容易跨模態(tài)遷移？如何才能更好地平衡推理能力和感知能力的發(fā)展？這些問題的答案將決定未來多模態(tài)AI系統(tǒng)的發(fā)展方向。

研究團隊在論文中坦承，當前的工作還只是初步探索。未來需要在更大規(guī)模的數(shù)據(jù)集上驗證方法的有效性，也需要探索更多樣化的應用場景。同時，如何將這種方法與其他AI技術相結合，開發(fā)出更加強大和實用的系統(tǒng)，也是一個值得探索的方向。

說到底，這項研究最重要的貢獻不僅僅是提出了一種新的訓練方法，更是為我們理解AI智能的本質(zhì)提供了新的視角。它告訴我們，智能可能不是模態(tài)特異的技能集合，而是更加抽象和通用的認知能力。這種理解可能會深刻影響未來AI系統(tǒng)的設計理念，推動我們朝著更加通用、更加高效的人工智能目標前進。這項研究就像在AI發(fā)展的道路上點燃了一盞明燈，照亮了前進的方向，也讓我們對未來充滿了期待。

Q&A

Q1：Virgo系統(tǒng)是什么？它有什么特殊能力？

A：Virgo是中國研究團隊開發(fā)的視覺推理AI系統(tǒng)，它最特殊的能力是僅通過學習純文本推理案例就能在視覺推理任務上表現(xiàn)出色。就像一個只讀過推理小說的人也能成為優(yōu)秀的案例分析師一樣，Virgo用5000個文本推理案例就達到了與頂級商業(yè)AI系統(tǒng)相當?shù)囊曈X推理水平。

Q2：為什么文本訓練比視覺訓練更有效？

A：研究發(fā)現(xiàn)推理能力具有跨模態(tài)的通用性，就像邏輯思維技能是通用的一樣。文本推理案例通常包含更長、更復雜的思維鏈條，為AI提供了更好的推理訓練素材。而許多視覺問題實際上更依賴感知能力而非推理能力，所以純文本的深度推理訓練反而能更好地提升AI的思考能力。

Q3：Virgo在哪些測試中表現(xiàn)最好？有什么局限性？

A：Virgo在需要復雜推理的任務中表現(xiàn)最出色，比如在奧林匹克競賽級別的OlympiadBench測試中準確率從11.2%提升到29.9%。但它的主要局限是缺乏感知反思能力，雖然邏輯推理很強，但在重新檢查視覺觀察結果方面還有不足，可能因為看錯圖表數(shù)據(jù)而推出錯誤結論。