iReasoner：trajectory-aware 的自进化 LMM

本页是 VLM 自我改进 演化轴第④阶段最对题的一篇： iReasoner（Trajectory-Aware Intrinsic Reasoning Supervision for Self-Evolving Large Multimodal Models）^[1]（ACL Findings 2026）—— 标题里的 trajectory-aware 正是本方向的核心关切。

1. 论点：outcome 奖励不够

之前的 self-evolving VLM 只看最终答案对错：

$r_1 \rightarrow r_2 \rightarrow r_3 \rightarrow answer$

但答案相同、中间 reasoning 质量可能天差地别。 iReasoner 直接对 intermediate reasoning trajectory 建立 intrinsic reward：用不同 rollout 之间的 reasoning agreement 监督中间步骤，在无标注、无外部 judge 的图像上做 self-evolving post-training。

2. 工程

$\underline{\text{not only outcome, but the trajectory itself}}$

（不能只看 outcome，要看 trajectory 本身。）

开源实现里已经使用 LoRA adapters（GitHub）^[2]。

3. 对本方向的定位

它正面回答了"trajectory 里有没有值得固化的信息"——有， 且答案的对错本身不足以定位它。差距： iReasoner 的 trajectory 是纯 reasoning 链， 没有 physical/action execution 成分；把它与 数据版图 的执行轨迹合并， 才得到完整的 multimodal execution trajectory。

参考文献

[1] SUNIL M, VENMATHIMARAN M, KAVITHA M S. iReasoner: trajectory-aware intrinsic reasoning supervision for self-evolving large multimodal models[C]//Findings of the Association for Computational Linguistics (ACL). 2026. https://aclanthology.org/2026.findings-acl.1468/

[2] SUNIL M. iReasoner: official implementation[EB/OL]. GitHub, 2026. https://github.com/meghanaasunil/iReasoner

© 2026 Yang Huan · yanghuan9812@qq.com