当前多模态大模型普遍存在“看对但推错”的推理漂移问题，即视觉感知与逻辑推理严重脱节。浙江大学提出的COGFLOW框架，从认知科学出发，通过构建“感知-内化-推理”三阶段模型，系统性解决了这一核心难题，让模型的视觉信息真正服务于严谨的数学与逻辑推理，是一次关键的范式级改进。
智能速览
COGFLOW提出“感知-内化-推理”三阶段框架，显式建模知识内化过程。
通过协同视觉奖励机制，同时在参数与语义空间监督视觉感知。
设计知识内化奖励，强制推理过程依赖已内化的视觉事实。
构建了包含12万+样本的MATHCOG数据集，用于模型训练与评估。
在多个权威基准上，7B模型性能超越部分闭源大模型。
精华内容
COGFLOW的突破不在于单一技术点，而在于构建了一套完整的认知闭环。它如何确保视觉信息被忠实、准确地用于推理？核心在于对感知与推理之间断裂地带的系统性修复。
三阶段认知框架
传统模型将感知与推理割裂，导致“reasoning drift”。COGFLOW借鉴认知科学，将流程明确拆分为Perception（感知）、Internalization（内化）、Reasoning（推理）三个阶段。其中，最关键的“知识内化”环节被显式建模，确保模型看到的视觉信息能被正确理解并转化为推理可用的事实，避免了两者各自为政的根本性问题。
协同视觉奖励
为保证感知阶段的质量，COGFLOW设计了协同视觉奖励。该机制同时在参数空间与语义空间进行监督：前者确保几何原语等局部细节的精确性，后者保证整体布局等宏观关系的稳定性。这种“局部准+全局稳”的双重约束，为后续推理提供了高质量的视觉输入，大幅降低了源头错误的产生概率。
知识内化机制
为防止推理过程偏离事实，COGFLOW引入了知识内化奖励。该机制通过对五类典型推理漂移错误进行对比学习，强制模型在推理时必须严格依赖已经感知并内化的视觉事实。此外，视觉门控策略优化（VGPO）在强化学习中加入筛选环节，优先采用高质量的感知轨迹来生成推理链，有效避免了“一步错，步步错”的问题。
实验结果验证
为支撑上述方法，研究团队还构建了MATHCOG数据集，新增12万+高质量样本，并明确区分Watching/Thinking/Answer阶段。在FlowVerse、MathVerse等权威基准测试中，COGFLOW显著超越了现有开源模型。其7B量级的模型即可对标甚至超过部分闭源大模型，在几何与数学推理任务上，准确率和推理链质量均实现大幅提升。
COGFLOW为多模态大模型的视觉推理能力带来了实质性飞跃，其受认知科学启发的框架设计，为解决“感知与推理脱节”这一根本性难题提供了新范式。随着这类研究的深入，未来的AI模型将更接近人类般严谨的思考能力，真正实现“看懂”世界。这是否预示着通用人工智能的一大步？
