在上述进展的基础上，我们进一步思考： 模型是否能够像人一样，在推理过程中实现「边画边思考」的视觉推理范式？ 为此，我们从数据、训练范式与评 测体系等多个方面，对视觉交互推理进行了系统性探索： 我们提出 V-Thinker ，一个面向视觉交互推理的多模态推理框架。通过冷启动监督微调与强化学习相结合的训练，使模型能够在推理过程中自主生成 代码并与图像交互，从而实现「边画边思考」的视觉推理方式。 在数据层面，我们提出 Data Evolution Flywheel （数据演化飞轮），能够在多样性、质量与难度三个维度上自动合成、演化并校验视觉交互推理数 据，并进一步构建开源了数据集 V-Interaction-400K ，为视觉交互推理和图像到代码转换等任务提供了基础支撑。 在训练层面，我们设计了一套渐进式视觉训练范式，通过构建 V-Perception-40K 首先提升模型的视觉感知能力，再通过结合监督微调与强化学习的 两阶段训练，使模型掌握基于视觉交互的推理能力。 在评测方面，我们构建了 VTBench ，一个面向视觉交互推理场景的专家标注基准。实验结果表明，V-Thinker 在交互式推理与通用推理任务上均有 ...