OpenAI、Google DeepMind等科研力量紛紛推出具備視覺-語言理解能力的 MLLM 模型。這些模型在圖像描述、視覺問答、目標識別等任務上表現驚艷。但是若進一步觀察其在動態場景下的表現，例如物體運動、相對方向、空間構造變化等復雜空間推理任務，就會發現它們的能力尚不成熟。

當前的主流 MLLM 訓練策略多聚焦于靜態圖像配對和語言生成，而缺乏對物體移動、時序變化、物理交互等空間維度進行系統建模的機制。這直接導致模型雖能“看圖說話”，卻無法“理解空間”，更難以模擬現實世界中的感知與判斷。

空間推理的缺口為何重要？

空間推理不僅關乎技術挑戰，更是模型落地應用的核心門檻。無論是機器人路徑規劃、自動駕駛場景理解，還是智能教育和增強現實交互，準確理解空間結構與動態變化都是不可或缺的能力。一旦模型無法識別物體的相對位置、方向或運動趨勢，其推理結果便失去了對真實世界的可靠映射。

這個缺口不僅影響模型的泛化能力，也限制了多模態 AI 的認知智能演化。因此，補足空間推理能力，構建具備“真正理解力”的 AI，是推動下一代智能體躍升的關鍵一步。

M2-Reasoning：一次通用推理與空間推理的融合突破

就在此背景下，由 Inclusion AI 與螞蟻集團聯合發布的 M2-Reasoning-7B 成為焦點。這不是一次簡單的模型堆疊，而是一場融合通用認知與空間感知能力的架構重塑。該模型以“統一推理體系”為核心理念，從底層數據構建到策略設計全面強化模型在兩大維度的推理表現。

它的“冷啟動 + RLVR 強化學習”雙階段訓練機制，以及“邏輯鏈生成 + 指令獎勵”組合策略，不僅實現了對復雜多模態任務的穩態學習，更在 8 項公開基準測試中刷新了領域 SOTA（最先進水平），實證了其推理廣度與精度的協同躍遷。

圖1 M2-Reasoning-7B的基準性能。

值得關注的是，M2-Reasoning 背后的團隊本身就是 AI 開源生態中的先鋒力量。Inclusion AI 是螞蟻集團旗下專注于通用人工智能（AGI）研究的機構，強調公平、透明、可復現的技術路徑，其 RL Lab 與數據智能實驗室在多模態推理、強化學習領域積累深厚。團隊成員來自清華大學、螞蟻集團超級計算團隊等單位，在模型結構設計、數據工程與交互推理等方面具備跨領域優勢。

在 M2-Reasoning 中，他們不僅融匯了 Qwen 系列語言模型的建模優勢，還大膽探索了視覺推理的細粒度評估機制，并提出了指數衰減數值獎勵（EDNM）等創新方式，為當前 MLLM 推理框架帶來結構性變革。

模型主頁：https://huggingface.co/inclusionAI/M2-Reasoning

源代碼倉庫：https://github.com/inclusionAI/M2-Reasoning

組織主頁：https://github.com/inclusionAI

01 M2-Reasoning-7B 模型概覽

在多模態大語言模型邁向認知智能的新階段，M2-Reasoning-7B 不再只是一個模型參數堆疊的產物，它像是一套“系統化推理引擎”，打通了通用邏輯與空間理解的核心通路。

模型定位與核心能力

定位上，M2-Reasoning-7B 是一款專門為通用推理與空間推理而設計的中型多模態大語言模型（MLLM）。與傳統模型不同，它不僅要“看懂圖文、說出答案”，更需要“理解抽象邏輯”、“洞察動態空間”，將模型從語言生成器提升為現實感知者與思維模擬者。

它的能力橫跨兩個維度。

通用推理：包括數學、邏輯、科學等抽象任務，能夠處理復雜的因果鏈與語義演繹過程。

空間推理：能理解圖像與視頻中物體的位置、大小、方向、出現順序等時空邏輯，模擬真實世界中的動態交互結構。

也就是說，它既能處理“為什么蘋果落地”，也能判斷“哪個物體先從門口出現”。這份跨模態認知，正是 MLLM 邁向智能體化的關鍵轉折。

兩大關鍵創新

高質量數據管線為模型思考注入“真實邏輯血液”

不只是數據多，更重要的是數據“懂思考”。

M2-Reasoning 的數據構建圍繞“邏輯軌跡”與“空間語義”雙線展開，打造出一個兼顧抽象與感知的訓練語料庫。

通用推理數據：引入鏈式思維生成機制（Chain-of-Thought），使用 WeThink-VL-7B 模型進行多樣化推理合成，同時采用 Qwen2.5 系列模型進行質量篩選，評估結構清晰度、認知負載與驗證深度，最終篩選出 168K 條高質量推理鏈。

空間推理數據：設計了涵蓋圖像和視頻的10類任務類型（如相對距離、出現順序、絕對尺寸等），數據采集依賴真實場景與模擬環境，并通過自動標注與模型-人工混合質量驗證，構建出精度與語義并存的數據體。

數據增強機制：將選擇題轉化為填空題、是非題；添加格式指令；打散選項排列規律，避免模型過擬合，這些策略讓數據更“活”、更“難”、更具真實學習價值。

這條數據管線的本質是：不是讓模型“背答案”，而是訓練它“如何思考”，一步步推導而非一躍而解。

動態多任務訓練策略為模型賦予“學習策略腦”

在訓練環節，M2-Reasoning 不再一口氣學習所有任務，而是像人類一樣分階段、逐步進階。

冷啟動微調（SFT）：先用結構化的高質量數據穩定模型輸出與基礎推理邏輯。

強化學習階段（RLVR）：采用 GRPO 優化器，引入任務獎勵機制，獎勵不僅評估答案是否正確，還關注格式是否規范。尤其在空間推理任務中，創新提出 EDNM 獎勵函數，以指數衰減方式評估數值偏差，引導模型穩定向目標值逼近。

課程式采樣（Curriculum Sampling）：根據任務難度排序訓練樣本，讓模型從“入門題”開始，一步步掌握“高階推理”，避免訓練初期陷入復雜邏輯誤區。

動態超參調整：包括對中等難度樣本加權（因其信息最豐富）、KL散度系數余弦退火等策略，確保模型在不同難度區間都能穩定、高效地學習。

這一訓練策略的核心精神是：讓模型像學生一樣，有思路、有節奏、有反饋，真正“理解”每一階段的推理過程，而不是單純地“跑完所有數據”。

02 數據構建策略

在訓練一個真正懂推理的多模態模型之前，數據，不只是基礎，更是靈魂。M2-Reasoning-7B 的誕生，正是基于對數據構建的深入理解與精密布局。研究團隊沒有拘泥于現有開放數據集的局限，而是設計了一套全流程的數據管線——既能激活模型的邏輯思維，又能訓練它識別空間世界中的動態交互。

讓模型“學會思考”的第一課

在這個模塊里，團隊圍繞“通用邏輯能力”的培養展開布局，包括冷啟動微調數據與強化學習階段數據兩大部分。

冷啟動階段：從邏輯鏈出發，構建有結構的思維軌跡

他們并沒有簡單使用開源的圖文推理數據，而是通過鏈式思維生成系統（CoT pipeline），從多個開放數據源中提取多樣推理任務——幾何問題、因果推導、視覺邏輯……再使用 WeThink-VL-7B 模型生成多條推理鏈。

為了確保思維軌跡的質量，他們制定了一整套評估標準：

• 答案準確性
• 推理結構完整性
• 認知引導節奏
• 驗證環節的豐富度

通過 Qwen2.5-7B 模型進行自動評估，并輔以人工審查，最終構建出 168K 條高質量推理數據。這些數據不僅“有答案”，更“有過程”，真正讓模型從邏輯路徑中學習思考。

強化學習階段：挑選“既難又值練”的題目

在 RLVR 階段，模型需要面對更復雜的任務。團隊首先對每條訓練樣本進行“難度評分”——基于多個模型回答的準確率計算任務難度，剔除過易或過難的極端樣本，保留最具信息密度的數據。

這套方法的精髓在于：讓模型學習“有挑戰性的任務”，而不是“可以輕松猜測的題目”。最終留下的樣本，正是那些能激發模型推理潛力的關鍵訓練素材。

空間推理數據賦予模型“視覺理解力”的另一只眼睛

從圖像到視頻，從靜態到動態，空間理解任務可謂最具挑戰性。M2-Reasoning 團隊在這一塊的設計尤為扎實。

從像素到三維結構的自動注釋

他們先對真實圖像進行處理，提取深度圖、分割圖、法向圖、相機參數等底層視覺數據，進一步構建出三維點云、物體邊界框與標簽信息。而在模擬數據中，則采用內建注釋直接生成結構化標簽。

基于這些視覺元素，團隊設計了10種任務類型，例如：

• 相對距離判斷
• 出現順序識別（視頻）
• 物體大小感知
• 絕對位置定位……

每類任務都有專門的問題生成邏輯與篩選機制，確保語義清晰、關系明確、目標合理。例如在“Relative Distance”任務中，模型必須判斷哪個物體離參考點更近——而這背后已排除多實例物體、平面結構干擾等可能導致歧義的因素。

數據增強與質量驗證：讓模型“看清每一處細節”

空間數據不僅結構復雜，還容易產生偏見。因此團隊針對每條數據進行了三重增強。

問題類型轉換：多選題轉為填空題或是非題

指令增強：嵌入單位要求、格式規范，引導模型學習規范表達

分布擾動：打亂選項順序，消除模型對“選項位置”的盲目依賴

質量驗證方面，他們結合 Qwen2.5-VL-32B 模型進行自動評分，并輔以人工抽樣評估，確保每條樣本都在認知層面具備學習價值。

數據配置總覽：從入門到高階，全周期覆蓋

圖2：冷啟動和RLVR期間的數據配置概述

整個訓練過程分為兩個階段。

冷啟動階段：使用330萬圖文對 + 290萬純文本數據進行模型激活，其中包含大量非推理數據用于保持模型語言基礎能力。

RLVR階段：引入結構化小規模數據（尤其是數學、科學與空間任務），專注推理能力的精細調整與優化。

這套從低階到高階、從靜態到動態的訓練路徑，像一條課程設計嚴謹的智能成長之路。從啟蒙、探索，到認知升維，為 M2-Reasoning 模型奠定了深厚的推理基礎。

03 訓練方法詳解

在通用與空間推理融合的大模型設計中，訓練策略的巧思往往決定了模型的思維廣度與認知深度。M2-Reasoning-7B 的訓練過程不僅是一場算法層面的博弈，更是一套模擬人類學習行為的精密教學系統。接下來，我們將揭開它背后的教學邏輯，看看如何一步步把“泛感知”的模型打磨成“能思考”的智能體。

圖3： M2 Reasoning的模型架構基于Qwen2.5-7B語言模型構建，并包含一個本地分辨率視覺編碼器。值得注意的是，該圖省略了通常用于連接視覺編碼器和語言模型的MLP投影儀。

雙階段訓練框架：先打地基，再造思維

在 M2 的架構里，訓練分為冷啟動和強化學習兩個階段，每個階段都有不同的教學目的與技術手段。

冷啟動監督微調階段

這個階段的核心目標是“激活模型潛能，穩定輸出結構”。M2 團隊使用高質量的通用推理數據，通過有監督的方式進行微調，確保模型能理解結構化的推理路徑，并形成穩定的<think> 和 <answer> 格式。這不僅為后續 RLVR 奠定語義基礎，也避免模型在早期就陷入邏輯混亂。

多任務 RLVR 強化學習階段

進入第二階段，模型開始接受真正“開放世界”式的訓練。此時引入了Reinforcement Learning with Verifiable Rewards（RLVR），目標是引導模型建立正確的推理方式，而不僅僅是“猜對答案”。M2 采用 GRPO 優化策略，并引入了任務獎勵和格式獎勵的雙重信號，強化推理過程與輸出規范的雙向表現。

更妙的是，他們還改進了 GRPO 的損失函數結構，引入了動態超參數機制，讓模型訓練過程可隨任務復雜度調整，最大化推理精度與樣本效率。

課程式采樣與動態優化：模仿人類的學習節奏

M2-Reasoning 并不強迫模型一次吃下所有知識，而是采用“逐步進階”的策略來構建訓練流程。

課程式采樣策略

靈感源自人類學習行為——先學簡單概念，再慢慢進入難題。M2 團隊離線計算了所有任務的難度分布，然后將樣本按難度升序排序，構成一個層級遞進的“課程體系”。在 RLVR 階段，模型從“啟蒙題”出發，逐步接受更復雜的推理挑戰，實現推理能力的自然擴張。

動態超參數與余弦退火機制

而在采樣之外，訓練過程中的參數控制也精妙得如同“量身定制”。他們引入了優勢加權機制——對于“最有信息密度”的中等難度任務，賦予更高訓練權重；而對于訓練曲線的穩定性，則采用余弦退火策略動態調整 KL 懲罰系數，讓模型既能穩住簡單任務，也敢于探索復雜推理的邊界。

這一組合拳讓訓練節奏不再僵硬，而是與模型認知成長同步，真正實現了“推理驅動的教學反饋”。

任務專屬獎勵機制：讓模型更懂“怎么思考”與“答得對”

M2 不只是評估“答對了嗎”，還關心“有沒有想清楚”。

通用推理：精準匹配機制

在數學和邏輯任務中，模型需要面對各種不同格式的回答：有選擇題、有填空題、有數學表達式，還有自然語言答案。M2 團隊構建了一套精確的獎勵函數體系，涵蓋字母匹配、數值匹配、字符串抽取與表達式驗證（結合 Math-Verify1 工具），并考慮了格式容錯性（區分大小寫、標點等），以實現對“答案正確性”的全面捕捉。

空間推理：EDNM 平滑獎勵機制

而在空間任務中，面對那些需要預測“距離”、“大小”、“深度”等數值的填空題，傳統的對錯判斷顯得太粗糙。為此，M2 提出了 Exponential Decay Numeric Matching（EDNM）機制。

圖4：不同超參數λ值的EDNM獎勵函數的可視化。

它是一種平滑的連續獎勵函數——即使預測值偏離真實答案，也會根據相對誤差給予逐漸衰減的獎勵。這避免了模型在早期訓練中因“一次答錯而無獎勵”而喪失學習動力，同時也鼓勵模型向更精確的方向穩步優化。

EDNM 的最大優勢是：它為“空間感知”提供了柔性引導，而不是剛性打分，適應了多模態學習中的不確定性與模糊邊界。

04 實驗與性能評估

當一個模型試圖既理解語言中的抽象邏輯，又洞察圖像與視頻中的空間信息時，我們期待的不只是“準確回答”，而是看它是否真正“具備推理智能”。M2-Reasoning-7B，正是在這一標準下交出了一張令人矚目的成績單。

通用推理評估

在數學與邏輯領域，M2-Reasoning-7B 參與了六項權威基準測試，包括 MathVista、MathVision、MathVerse、DynaMath、WeMath 和LogicVista。這些任務考驗的不只是算術能力，更要求模型理解復雜公式、圖文結合的題目語境，以及多步驟的邏輯演繹過程。

成果令人振奮：在所有測試中，M2-Reasoning 以 45.0 的平均得分刷新了同類基礎規模 MLLM 的最高紀錄，擊敗 InternVL3-8B、WeThink-VL-7B 等一眾主流模型。其中，在 MathVista 和 DynaMath 這兩個難度最高的子項中，它分別獲得 75.0 和 26.8 的頂尖分數，展現出對復雜數學推理任務的扎實理解力。

或許更有價值的是，它不僅在結果上領先，更在思維結構上表現出了清晰的推理鏈條。這意味著，它不僅“知道答案”，更“理解過程”。

表1 MLLM在一般多模態推理基準上的性能。基本規模MLLM的最佳和次佳結果分別以粗體和下劃線表示。?表示相對于相應基礎模型的性能改進。所有分數均來自OpenCompass排行榜。

空間推理評估

接下來進入視覺空間領域，M2-Reasoning 在圖像推理基準 CV-Bench 和視頻想象力評估 VSI-Bench 上也展開了全面測試。

在 CV-Bench 中，它奪得平均分 82.3 的第一名，略超 InternVL3-8B 的 82.0。其中，Relation（關系判斷）高達 92.8，Depth（深度理解）為 89.3，Distance（距離識別）達 84.3，均為當前最優表現。這代表它在二維圖像中準確識別物體的相對結構與空間布局，具備“空間建模”能力。

而在更具挑戰性的視頻空間想象基準 VSI-Bench 中，M2-Reasoning 獲得平均分 42.3，僅次于大規模模型 Gemini-1.5-pro，并優于 InternVL3-8B。這一成績并非偶然，它在 RoomSize（房間大小判斷）和 RelativeDirection（方向判斷）兩個子任務上創下新紀錄，展現出對動態時空邏輯的出色理解力。

值得一提的是，它在對物體大小、出現順序等細粒度問題上也表現穩健——這類任務通常難以捕捉明確標簽，但 M2-Reasoning 的推理能力使其在“含糊的世界中也能做出清晰判斷”。

SOTA 對比分析

雖然 M2-Reasoning-7B 的參數量屬于基礎規模，但它在多個基準測試中成功挑戰甚至超越了大模型如 GPT-4O 與 Gemini-1.5 的部分表現，特別是在結構清晰的推理任務中展現出了“效率與深度并重”的特色。

這揭示了一個關鍵趨勢：在 MLLM 的新時代里，優秀模型不再只是靠規模取勝，更依賴于合理的數據設計、任務增強機制與策略化訓練方法。而 M2 的雙軌推理融合、多維獎勵機制和課程式學習路徑，就是它在眾多模型中脫穎而出的“秘密武器”。

05 結論與展望

在經歷了數據構建、訓練策略和實驗驗證的一系列技術剖析之后，我們終于可以坐下來看看這篇論文的核心價值所在——M2-Reasoning-7B 究竟帶來了什么改變，它的未來又將走向哪里。

一次多模態推理的協同躍遷

M2-Reasoning-7B 最大的貢獻在于，將通用邏輯推理和視覺空間理解這兩個原本割裂的能力，通過統一架構整合為一個高效協作的推理系統。

這不是簡單的功能疊加，而是一種從數據、策略到模型表達的深度融合。它用高質量、結構化的數據管線搭建認知地基，再以逐步優化和任務獎勵機制塑造推理路徑，從而讓模型不僅“看得到”，更“理解得了”。這份能力，在 8 個多模態推理任務的基準測試中成功打破行業 SOTA，證明了思路的前瞻性與技術的實用性。

值得一提的是，它的設計并非追求參數規模的極限，而是通過策略性數據篩選與訓練節奏把握，在基礎規模下實現性能突破，這為資源受限的場景提供了新思路。

模型也有“短板”

當然，如同每一個優秀系統一樣，M2-Reasoning-7B 也并不完美。它的幾個局限成為未來優化的關鍵方向。

推理深度有限：相比專注語言推理的模型如 DeepSeek-R1，M2 在推理鏈長度上稍顯遜色。這意味著它在處理多層次因果關系或邏輯演繹時，容易走得淺而快，但不夠深入。

重復生成傾向：在某些回答過程中，它可能出現病態重復，陷入邏輯循環。這類問題可能源于生成過程中的穩定性波動，亟需在解碼策略上進行更細致的約束與優化。

視覺感知精度不穩定：盡管總體空間理解能力優秀，但在處理細粒度視覺元素時仍偶有誤判甚至虛構現象。這提示我們：多模態模型在感知與語義融合之間還有更廣闊的精度提升空間。

M2已經不是一個嘗試性的實驗模型，而是一次實證了“融合推理”的范式轉變。下一步，或許我們將看到它延伸到機器人導航系統、AI 教學引擎，甚至 Web3 分布式智能體的邊緣推理節點之中。（END）

參考資料：???https://arxiv.org/pdf/2507.08306??