SD-MAR：通过合成数据和强化学习实现多图像分析推理

SD-MAR是一个用于训练和评估视觉语言模型多图像分析推理的框架。它通过控制扰动构造成对视觉场景，生成语义变化归因和定量比较等推理任务，并使用GRPO-lite与BDA强化学习方法训练。在Qwen2.5-VL-7B和InternVL3-8B上，域内准确率提升高达36.95%，其中Qwen2.5-VL-7B在SD-MAR基准上超越GPT-4.1，且域外泛化性能保持或提升（MME、MMMU-Pro、MathVista波动在1%以内，MMBench提升最高4%）。

此前视觉语言模型虽具备感知能力，但在多图像比较、变化检测和多步视觉推理等需要分析推理的任务上表现有限。SD-MAR通过合成数据和专门设计的强化学习方法，显著提升了这类能力，甚至超越GPT-4.1，且不损害原有任务表现，为实际应用中的视觉对比分析提供了可行方案。

SD-MAR通过一系列可控扰动（如位置、颜色、数量变化）生成成对视觉场景，并构造需要跨图像比较与推理的自然语言问答任务。训练阶段采用GRPO-lite（去除KL正则化以加强策略优化）和BDA（向后折扣分配，给予后期推理步骤更高信用）强化学习方法，使模型学会在多图像上下文中进行系统性的差异推理和结论生成。

可直接提升需要多图像对比分析的产品场景，如电商商品对比、视频帧变化检测、医疗影像前后对比、文档版比对等；模型在保持通用能力的同时具备更强分析推理能力，降低了集成专属推理模型的门槛；训练方法无需依赖人工标注，仅需合成数据，可降低数据获取成本。

• 开发基于多图像比较的自动质检系统，例如生产线前后状态差异检测
• 在电商平台实现智能商品对比分析，自动识别图片间的规格、颜色等变化
• 集成到医学影像系统中，辅助医生进行治疗前后的病灶变化识别
• 构建文档版本对比工具，快速定位修订内容并生成结构化报告

• SD-MAR合成数据的具体扰动类型和规模是否足以覆盖实际场景的多样性？
• GRPO-lite+BDA方法在更大参数量模型（如Qwen2.5-VL-72B）上的表现如何？
• 该框架是否易迁移到视频或时序序列的多帧推理任务？
• 训练和推理的计算成本是否适合端侧或实时应用部署？