arXiv 新增 + visually grounded reasoning supervision · P2 · 2026-06-17

Thinking with Visual Grounding：它和通用视觉自监督的关系在于：把 VLM reasoning traces 绑定到点/框视觉证据，属于可扩展视觉 grounding 监督

中高相关；详见方法、贡献和实验边界。

Thinking with Visual Grounding　arXiv 新增 + visually grounded reasoning supervision　原文链接

编号2606.16122 优先级P2 类别arXiv 新增 + visually grounded reasoning supervision 会议arXiv 新增 + visually grounded reasoning supervision 方法把 VLM reasoning traces 绑定到点/框视觉证据，属于可扩展视觉 grounding 监督来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把 VLM reasoning traces 绑定到点/框视觉证据，属于可扩展视觉 grounding 监督。中高相关；详见方法、贡献和实验边界。

**Figureure 1 · : Thinking in pure natural language vs**Figure 1: Thinking in pure natural language vs. visually grounded thinking in box mode and point mode.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Thinking with Visual Grounding 的方法或实验，请结合正文精读段落一起看。

**Figureure 2 · : A real example of a visually grounded thinking model’s output in the**Figure 2: A real example of a visually grounded thinking model’s output in the evaluation benchmark.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Thinking with Visual Grounding 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：把 VLM reasoning traces 绑定到点/框视觉证据，属于可扩展视觉 grounding 监督。

方法拆解

把 VLM reasoning traces 绑定到点/框视觉证据，属于可扩展视觉 grounding 监督

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。