停止思考，开始观察：通过无推理对齐实现多模态文档问答的高效后训练

研究者提出 Perception-RFT 框架，在 Qwen3-VL-4B 模型上通过 Group Relative Policy Optimization（GRPO）绕过中间推理 token，直接对齐视觉特征与结构化接地输出。实验表明，推理启用的模型在训练中会抑制推理痕迹并收敛到直接感知策略，使每查询推理 token 长度减少 60% 以上，且纯感知训练的表现优于推理启用的强化学习。该研究还发现了接地发散现象（Grounding Divergence），即在联合强化学习优化下语义鲁棒性与几何精度之间存在选择性权衡。

此前多模态文档问答依赖大量标注数据或冗长推理链条，而 Perception-RFT 证明无需中间推理即可直接对齐视觉特征，在 4B 参数规模下大幅降低推理成本并提升性能，改变了后训练策略的设计方向。

Perception-RFT 将 GRPO 应用于多模态文档问答，通过直接优化视觉特征与结构化输出的对齐，绕过了传统强化学习所需的逐步推理 token。模型在训练中自然抑制了推理痕迹，收敛到纯感知策略，从而在保持或提升接地精度的同时显著减少推理开销。

该框架可降低多模态文档问答产品的推理 token 消耗 60% 以上，直接减少云服务成本与响应延迟。同时，纯感知训练策略简化了标注需求，使产品更容易部署到资源受限的场景中。

• 在文档智能助手产品中采用 Perception-RFT 策略，用更少的 token 实现答案定位，降低 API 调用成本。
• 开发面向低延迟场景的文档问答 SDK，基于该框架优化模型后训练流程。
• 利用 grounding divergence 特性，为金融、法律等对几何精度要求高的场景定制混合训练方案。

• Perception-RFT 在更大参数规模（如 7B 或 13B）模型上是否仍能保持 token 减少和性能优势？
• 接地发散现象在实际的文档布局变化（如字体、表格）中是否会导致显著的定位错误？
• 该框架是否适用于其他多模态任务，如视觉问答或图表理解？