核心结论：V-Rubrics 将 50,248 个视觉样本拆成 352,938 条可逐项检查的准则，让图像中的事实、推理步骤和任务要求分别参与奖励计算。基于同一 SFT 起点和同一批 RL 数据，rubric GRPO 在通用与知识评测中的 Overall Avg. 达到 68.04。
多模态模型给出的推理过程即使连贯，也可能读错图表数字，或写入画面中不存在的物体。如果最后的答案恰好正确，按结果评分的训练方式就可能把这些“看似结果正确”但“实际推理错误”的情况也一并奖励。
反过来，最终答案错了，也不意味着此前的观察都错了。那些有依据的正确观察，仍然是有价值的训练信号：保留并强化这些观察，可以帮助模型在此基础上修正后续推断。但这也引出了一个关键问题：当正确的观察与错误的推断交织在同一段回答中，reward 应当如何分配，才能鼓励做对的部分，并引导模型纠正出错的环节？
来自南洋理工大学 S-Lab、A*STAR 和 UIUC 的研究团队提出了 V-Rubrics，用逐项评分（rubrics）来处理“信用分配”（credit assignment）问题。视觉事实、推理步骤和任务要求分别列为评判的准则，而这些单项的得分则会被用于后续的 GRPO 强化学习。该论文已被 EMNLP 2026 主会接收，代码与数据现已开源。
论文标题：V-Rubrics: Visual Faithfulness via Rubric-Based Reinforcement Learning
作者团队：Shulin Tian、Minglun Li、Yuhao Dong、Hao Ding、Jiarui Yao、Haiwen Diao、Jingkang Yang、Hongyuan Zhu、Ziwei Liu
论文地址：https://arxiv.org/abs/2608.25580v1
项目主页：https://shulin16.github.io/v-rubrics/
代码仓库：https://github.com/shulin16/v-rubrics
数据集：https://huggingface.co/datasets/v-rubrics/v-rubrics-50k
正确的观察与错误的推断
为什么要分别评价？
论文给出了一个直观例子。面对“图中有多少人出生于二战结束之后”的问题，答案级 GRPO 模型准确识别出 4 个人，却随后凭其中一名男子的外貌估计其年龄超过 70 岁，并据此断言他出生于 1945 年以前，最终回答 3 人。人数识别本身没有出错，问题出在后续的年龄与出生年份推断上。
如果只按最终答案计分，训练只能知道整道题没有答对，却得不到更具体的判断：识别出“4 人”是有图像依据的，后续推断则需要修正。对于图表、几何题或文档问答，这类混合情况同样常见，一处错误读数或不成立的推导，就可能改变最终结果。而 V-Rubrics 将人数识别、出生年份推断和最终作答分别列为检查项，训练时再使用这些逐项判断。
把视觉证据写进奖励
围绕一条视觉回答的形成过程，V-Rubrics 将准则分为三个维度：
视觉忠实性（Visual Faithfulness，VF）检查事实依据。回复中提到的物体、属性、关系、数量、可见文字和图表数值，都应能在图像中找到支持。
推理一致性（Reasoning Consistency，RC）检查推导是否成立。即使图像信息读取正确，后续结论也需要能够从这些事实中推出。
指令遵循（Instruction Following，IF）检查任务是否完成，包括回答形式、题目要求和其他明确约束。
同一个视觉问题被拆成 VF、RC、IF 三类原子准则，每条准则均可独立判断并带有权重。
rubric 的设计也很重要：每条 rubric 都只检查一个原子项，同时要求表述尽量简短，单独拿出来也能看懂，并配有重要性标签和相应权重。Essential、Important、Optional 分别对应必须答到、重要但非必需，以及可作为补充的内容；Pitfall 则专门标出常见的幻觉和推理错误。这样一来，模型答对了什么、又在哪一步出了错，都可以分别计分。
怎样让自动评分有据可查？
以几何题为例，“回答应当正确”并没有给评分器提供多少额外信息；如果分别写明应读取的边长、适用的公式和目标面积，检查对象就明确了。论文要求 rubric 指向具体可见的事实，并在单条准则中写清对象和成立条件，同时覆盖关键观察与中间推理。
这些检查项也有重要程度之分。视觉问答采用 VF ≫ RC > IF 的优先级，将视觉事实放在首位，再考虑推理与指令约束；Essential、Important、Optional 的正向权重为 1 到 5，Pitfall 则标记为 -1 或 -2。
生成准则时，模型读取原图、指令和参考回答，将需要核查的事实写入 rubric；训练时，verifier 只读取生成回复与这些自包含准则（self-contained criteria），不直接读取原图。
5 万道题
如何提供 35 万条具体反馈？
V-Rubrics 50K 从 17 个公开视觉数据源中选取样本，涵盖图表与文档问答、示意图、视觉数学、计数、教育问答和通用视觉推理，并按有效性、内容质量与重复性进行了初步筛选。
为判断题目是否还有训练价值，团队让监督微调（SFT）后的模型对每个候选样本回答 8 次：全部答对的题目会被剔除，因为最终答案奖励已难以在这些回答之间提供区分；其余样本则根据答对比例划分难度。这里衡量的是模型的实际表现，难度标签用于组织固定的训练数据组合。
最终保留的 50,248 个样本中，hard 级别的问题占 36.1%，medium 占 50.4%，simple 占 13.6%。
随后，Gemini-3-Pro 按照统一的图像条件化协议（image-conditioned protocol）生成 VF、RC、IF 准则，共得到 352,938 条 rubric。其中，VF 为 209,436 条（59.3%），RC 为 101,369 条（28.7%），IF 为 42,133 条（11.9%）。接近六成准则用于检查视觉事实，使“是否准确理解图像”成为最主要的监督内容。
每个样本都包含图像、题目、参考回答和对应准则，训练时可以分别检查各项要求的满足情况。
V-Rubrics 50K 的数据来源与 VF、RC、IF 准则分布
评分拆开之后
怎样进入强化学习？
逐项打分还只是第一步。如果立即把所有准则合成一个总分，再用这个分数更新整段回复，各项判断之间的区别仍会在信用分配时被压缩。为了解决这个 reward 的坍缩问题，V-Rubrics 因而同时调整了奖励内容与信用分配方式。
在主实验中，答案正确性和 rubric 满足度各以 0.5 的权重计入语义奖励，同时保留标准格式奖励。答案奖励检查任务是否完成，rubric 奖励检查回答是否满足各条准则，后者逐项给出“满足”或“不满足”的判断。
对于同一道题，系统分别比较多条生成回复的最终答案和各条 rubric 得分。例如，一组回答可能都没有得到正确结论，但只有部分回答准确读出了图表数值；逐项比较就能保留这项差异。反之，若所有可评分回答在某条准则上得分相同，这一项便不产生组相对梯度。
让训练信号与证据所在的回复前缀对应
在构造训练优势（advantage）时，答案得分与各条正向 rubric 得分分别在同一组 rollout 中标准化。最终答案的信号覆盖整段回复，而每条 rubric 保留独立的优势信号，按照对应权重参与更新。
接下来，verifier 会为每项判断返回对应的原文证据句，系统再通过模糊匹配，在生成回复中定位这些句子。每项 rubric 的 advantage 仅作用于从回复开头到对应证据句末尾的前缀，后续内容不再使用这一 advantage。若无法可靠定位证据句，则仍按 rubric 逐项计算 advantage，但将其作用范围回退到整条 response。
对于已确认触发的幻觉或推理陷阱，Pitfall 会启动语义奖励的否决机制，取消相应回复的答案信用与正向 rubric 信用。正向检查项用于提供部分得分，负面检查项则用于约束已知错误。
V-Rubrics 的数据构建与强化学习流程
逐项反馈
带来了哪些能力提升？
在两组主评测中，rubric GRPO 都取得了高于 SFT 和答案级 GRPO 的平均分。其中，通用与知识评测的 Overall Avg. 达到 68.04，视觉数学、图表与逻辑评测达到 62.45。
为让比较聚焦于奖励机制的差异，两种 RL 方案采用了相同的训练起点：我们先以 Qwen3-VL-8B-Instruct 作为 base model，使用 OpenMMReasoner-SFT-874K 进行监督微调，再从同一个 SFT checkpoint 出发，分别训练答案级 GRPO 和 rubric GRPO。两者均使用同一批 V-Rubrics 50K 数据，并保持相同的采样预算与优化器设置。
相较于 SFT，两组评测的总体表现分别提高 3.11 个百分点和 4.00 个百分点；与答案级 GRPO 相比，则进一步提高 1.79 个百分点和 0.51 个百分点。两个 Overall Avg. 按各自表中的所有评测的 benchmark 计算。
先改变“评什么”，再改变“怎样分配奖励”
消融实验进一步拆开了这两个环节。在通用与知识评测中，仅加入 rubric 评分、仍将各项得分合成序列级标量（scalar sequence-level aggregation）时，Overall Avg. 就从 66.25 升至 67.74，提高 1.49 个百分点。这一步改变的是评分内容，训练仍使用序列级奖励。
在此基础上，分别标准化各项得分，并将信号分配到对应的回复前缀，平均分进一步达到 68.04。新增的 0.30 个百分点反映了组件级标准化（component-wise standardization）与前缀定位的共同作用。
MMMU 系列：知识推理是主要增益来源
细分成绩后，通用与知识评测中的提升主要来自 MMMU 系列。这类题目需要模型将图像中的局部信息与学科知识连接起来，一次正确回答往往包含多个相互依赖的判断，也为细粒度反馈提供了明确的检查对象。
相较于答案级 GRPO，MMMU Val、MMMU-Pro 和 MMMU-Pro Vision 分别提高 2.56、2.43 和 2.60 个百分点，Knowledge Avg. 从 59.35 升至 61.88。相比之下，MMBench-Dev 保持接近的水平，得分分别为 86.94 与 86.51。
论文 Table 1：通用视觉能力与知识、学术推理基准完整结果
视觉数学、图表与逻辑：进一步提升至 62.45
视觉数学与逻辑任务中，MathVision 从 56.71 提高到 58.88，LogicVista 从 60.63 提高到 62.42；DynaMath Worst 与 WeMath Loose 也分别提高 1.20 和 1.43 个百分点。
综合各子任务，Math Avg. 从 63.19 提高到 63.63，Chart Avg. 从 58.81 提高到 59.51，Overall Avg. 则从 61.94 提高到 62.45。单项上，MathVista 小幅提升，MathVerse V/O 与 CharXiv Reasoning 有所回落，完整结果见下表。作为同表参考，Qwen3-VL-8B-Thinking 的 Overall Avg. 为 62.22。
论文 Table 2：视觉数学、图表与逻辑推理基准完整结果
回到具体回答，差异发生在哪里？
前文的人像问题中，rubric 训练后的模型补出了年龄与出生年份之间的推算；在另一道函数图像题中，答案级模型将函数值首次达到 2 的位置误读为 x = 4，而 rubric 训练后的模型重新逐段读取图像，得到 x = 2。
两类示例：从不受支持的年龄推断与错误图像读数中纠正中间推理
代码与训练数据均已开源，欢迎大家来一起讨论。
作者简介
田淑琳目前是南洋理工大学计算机科学博士生，导师为刘子纬教授和朱宏远博士。她的研究聚焦于多模态智能体与视觉推理，尤其关注长时程多模态理解和工具增强推理。她曾获 A*STAR 计算与信息科学奖学金支持，并获评 CVPR 2026 和 ICLR 2025 SCOPE Workshop 杰出审稿人。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
