云蝶科技科研团队最新成果在机器学习全球顶会ICML 2026发表

先说一个核心问题：当一台机器人被问到“猫的右边是什么”时，它真能“看懂”画面吗？它需要先准确理解画面里每个物体的位置和空间关系，才能给出正确答案。遗憾的是，目前的多模态大模型经常“看走眼”——它们可能会忽略关键视觉信息，也可能生成看似合理、实则与图像事实不符的答案。这可不是聊天机器人的小毛病，而是具身智能“大脑”必须跨过的一道认知门槛。

最近，全球机器学习领域的三大顶会之一——第43届国际机器学习大会（ICML 2026）在韩国首尔召开。云蝶科技科研团队赵梦辰指导的论文《POLIA: Policy Optimization with Visual-Object-Level Intrinsic Advantage for Multimodal Reasoning》在会上亮相。

这项成果依托云蝶科技与华南理工大学共建的“多智能体具身智能联合实验室”，围绕视觉-语言-动作模型（VLA）的训练部署、强化学习优化、世界模型辅助决策以及真实场景验证，构建了一条从基础方法研究到服务环境训练验证的完整技术路线。

可以说，这项研究为云蝶的具身智能技术布局，提供了一个可公开核验的研究支点：有方法创新、有实验验证，也有能够承接后续研究与场景验证的联合实验室。

POLIA：把训练反馈分配到每一个视觉对象

如今的多模态大模型，已经能同时处理图像和文字，完成物体计数、空间关系判断、图表分析，甚至视觉数学推理等任务。但“能回答”不等于“真理解”——模型可能直接忽略图像中的关键信息，只靠语言模式“猜对”答案；也可能引用了错误的视觉对象，却碰巧得出正确结论。表面上看答案对了，可推理的依据却与视觉事实不一致。

POLIA的全称是“基于视觉对象级内在优势的多模态推理策略优化”。它的核心创新在于：在传统的答案级评价之外，增加了一个针对视觉对象的细粒度评价机制。整个过程分为两个阶段：

第一阶段，评价答案。POLIA生成多组候选答案，根据最终答案的正确性和输出格式，计算答案级的外在奖励，回答“模型最终有没有答对”。

第二阶段，评价证据。POLIA识别每组候选答案所引用的视觉对象，并根据模型预测位置与真实对象位置之间的匹配质量，判断模型引用对象的可靠程度。依赖相同视觉对象的答案被归入同一组，系统再在组内比较不同答案对这些对象的使用情况，为每个视觉对象计算训练反馈。

通俗点说，传统方法好比只看学生最后一道题有没有答对；而POLIA会继续追问：你用了哪些证据？这些证据找对了吗？它们是否真正支持你的答案？这样一来，POLIA就实现了从“奖励正确答案”到“奖励模型正确使用视觉证据”的转变。

论文在VSR、TallyQA、GQA、MathVista、MathVision、LogicVista和MME等七个多模态推理基准上进行了测试，覆盖了空间关系判断、复杂物体计数、视觉数学推理和综合认知等任务。在7B模型实验中，相比基于相同基础模型的GRPO方法，POLIA在VSR、TallyQA、GQA和MathVista上准确率分别提升了22.3、8.7、11.3和9.3个百分点；在高度依赖视觉证据的任务中，POLIA-7B的分数甚至超过了GPT-4o和Gemini 2.5 Pro的对照结果。消融实验表明，答案级的外在优势有助于维持训练稳定性，而视觉对象级的内在优势则帮助模型更准确地选择和使用视觉证据。随着训练推进，候选答案对视觉对象的选择趋于一致，答案准确率也同步提升。计算成本分析还显示，新增的分组和内在优势计算带来的额外开销很低——换句话说，性能提升不是靠单纯增加算力，而是通过更细致的训练反馈来改善推理过程。

从视觉证据推理到云蝶技术体系

POLIA研究的是多模态智能的一个基础问题：如何让模型学会锚定真实、具体、可验证的环境证据。这一方向与云蝶科技和华南理工大学共建的“多智能体具身智能联合实验室”的技术规划形成了明确衔接。该实验室面向泛生活服务场景的具身智能需求，围绕VLA模型训练部署、强化学习优化和世界模型辅助决策展开研究，目标是提升具身机器人在真实环境中的任务理解、动作执行、环境适应和持续学习能力。

对于具身智能来说，视觉信息不仅仅是输入数据，更是任务理解、行动规划和环境反馈的重要依据。机器人需要识别服务对象和目标物品，理解人与物体之间的空间关系，判断环境状态，并选择下一步行动。如果模型没能找准关键视觉证据，后续的规划和执行就可能建立在错误判断之上。

POLIA解决的正是这一技术路线中更基础的一环：视觉证据建模与强化学习信用分配。它的方法为后续研究——如何让VLA模型准确利用环境证据、如何让世界模型基于可靠信息辅助决策——提供了重要的研究参考。

这次在ICML 2026发表论文，是云蝶科技科研团队在多模态推理与强化学习方向上的一个阶段性进展。未来，联合实验室将继续围绕VLA模型、强化学习和世界模型辅助决策展开探索，推动研究从算法验证，逐步走向真实服务环境中的系统训练与应用验证。