为解决这一问题，复旦大学、南洋理工大学的研究者提出一种基于视觉 Grounding 的多轮强化学习方法 MGPO，使 LMM 能在多轮交互中根据问题，自动预测关键 区域坐标，裁剪子图像并整合历史上下文，最终实现高分辨率图像的精准推理。相比监督微调（SFT）需要昂贵的 Grounding 标注作为监督，MGPO 证明了在强化 学习（RL）范式中，即使没有 Grounding 标注，模型也能从 「最终答案是否正确」的反馈中，涌现出鲁棒的视觉 Grounding 能力。 MGPO 的核心创新点包括： 1） 自上而下的可解释视觉推理： 赋予了 LMMs 针对高分辨率场景的 「自上而下、问题驱动」 视觉搜索机制，提供可解释的视觉 Grounding 输出； 2） 突破最大像素限制： 即使因视觉 Token 数受限导致高分辨率图像缩放后模糊，模型仍能准确识别相关区域坐标，从原始高分辨率图像中裁剪 出清晰子图像用于后续分析； 3） 无需额外 Grounding 标注： 可直接在标准 VQA 数据集上进行 RL 训练，仅基于答案监督就能让模型涌现出鲁棒的视觉 Grounding 能力。 标题： High-Resolution ...