# Monet：让多模态模型在脑子里直接画图推理，不用每次都调外部工具

> 原标题：Monet：赋予多模态大模型如人类一般的抽象视觉思考能力

- 来源：机器之心 · 公众号
- 发布时间：2026-04-21T13:09:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/8962
- 原文：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651029195&idx=3&sn=70aac86fca04a898838192b56c6e9a4d

## 摘要

Monet 把 Qwen2.5-VL-7B 改造成 Monet-7B，核心是让模型在连续的视觉潜空间里做抽象推理，而不是每次都去调用外部画图或识别工具。训练分三步：先用 12.5 万条数据做监督微调，再用 VLPO 强化学习对齐偏好。在分布内任务上比原版模型提升 3% 到 9.75%，在分布外的抽象视觉推理上提升 2.31%。

## 推荐理由

Monet 把 Qwen2.5-VL-7B 改造成在连续视觉潜空间内完成抽象推理的模型，训练分监督微调与 VLPO 强化学习两步，分布内任务提升 3% 到 9.75%。

## 锐评

分布外只涨 2.31%，这个数基本说明它没学会抽象视觉推理，只是把训练分布内的模式拟合得更好了。12.5 万条 SFT 数据加 VLPO 偏好对齐，工程做得挺扎实，但涨的那 3% 到 9.75% 全在分布内，换个任务就掉回原点。CVPR 2026 收了、代码数据都开源，想复现的人确实方便，可要拿它替掉外部工具链，2.31% 的泛化提升撑不起这个判断。我的评价是当研究基线用可以，生产环境先放着。
