作者丨陈淑瑜
编辑丨岑 峰
如果把过去几年多模态大模型在STEM领域的进展放在一起审视，会发现一个相当微妙的错位。研究者们几乎把全部精力都押在了推理能力的提升上，强化学习、思维链、自我纠错……各种花式推理策略层出不穷，模型在文本推理基准上的得分也确实在节节攀升。
但一个尴尬的事实始终摆在那里：当模型被丢进一道需要看图才能解答的几何题时，它依然经常给出让人啼笑皆非的答案。
这中间到底出了什么问题？
过去，业界习惯性地把锅甩给“推理能力不足”，认为只要把CoO做得更长、把RL奖励设计得更精巧，模型自然能在视觉推理任务上迎头赶上。于是大量的工作涌向推理链路优化，视觉感知端却几乎被当成了一个“已经够用”的黑箱。
但上海交通大学人工智能研究院与Qwen团队联合提出的CodePercept（代码驱动的视觉感知），则给出了一个截然不同的诊断结果：
当前阶段，限制大模型STEM视觉推理的真正瓶颈，并非是推理能力，而是视觉感知。
论文地址：https://arxiv.org/pdf/2603.10757
开源代码：https://github.com/TongkunGuan/Qwen-CodePercept
这不是一个随意的猜想。团队的诊断方式非常系统，他们将STEM视觉推理任务解耦为“感知”和“推理”两个阶段，分别扩展其中一个能力、同时保持另一个能力不变。结果证明，扩展感知能力带来的性能提升，始终优于扩展推理能力。
图1：扩展感知优于扩展推理
换句话说，模型的“眼神”远比我们想象的更差，而解决“眼神差”的问题，带来的边际收益远超继续优化“脑子”。
01
一旦确认“感知才是短板”，接下来的问题就是：如何提升感知？
一个直觉方案是：用强大的闭源模型去生成图像描述（Caption），然后做知识蒸馏。既然GPT-5和Claude看得懂，让它们当老师不就行了？
但研究团队在实际操作中发现了一个更深层的问题：自然语言是模糊的，表达能力存在上限，很难非常精准地描述一个场景。
想象一下，你要用文字去精确描述一个三维四面体的空间结构，包括每条棱的长度、每个面的倾斜角、辅助线的空间走向。即便你用上了“位于左下角45度方向、长度为3.2cm、与水平面夹角30度”这样精确的语言，描述依然是模糊的。因为自然语言本质上就是为“大概意思”而生的媒介，它天然缺乏数学层面的精确性。
更致命的是，这种描述的模糊性还会在被AI生成描述的过程中进一步放大。
团队将这个问题概括为自然语言的“描述性失语”。
但如果说自然语言是“模糊”的，那什么语言才是“精确”的？
答案是代码。
一段Python程序画出的几何图形，每个坐标都是确定的、每个参数都是可验证的、每个空间关系都是可执行的。
代码不承认“差不多”，要么对，要么运行报错。这种二值化的精确性，恰恰是STEM视觉感知最需要的。
02
基于这一洞察，研究团队提出了一个全新的范式——CodePercept（代码驱动的视觉感知），其核心思想可以用一句话概括：让代码成为视觉感知的“第二语言”。
团队从两个维度系统性地用代码重新定义了视觉感知任务：
第一个维度：代码驱动的描述生成（Code-Grounded Caption Generation）。
传统Caption生成的做法是“看图说话”，模型看了图，生成一句自然语言描述。但CodePercept的做法变成了“看图→写代码→用代码验证描述”的三段式。
可执行代码被当作图像描述的“绝对真理”，代码中写明的坐标、数量、几何关系，无一不是对原始图像的精确转录。模型通过生成可执行的代码来“验证”自己对图像的理解是否正确。
第二个维度：STEM图像到代码转录（STEM Image-to-Code Translation）
这比前一个步子迈得更大。
团队直接引导模型学习从图像到代码的端到端映射，给大模型一张几何图，让它直接生成能够重现这张图的Python代码。这不是让模型去“描述”图，而是让模型去“复现”图。
这个任务的精妙之处在于它的可验证性：代码是唯一一种可以“执行后验证”的表达形式。你描述一张图，没人知道你描述得对不对；但你写一段代码，运行之后渲染出来的图一比对，对就是对，错就是错。没有中间地带。
由于模型必须真正理解“观测特征”与“代码片段”之间的内在映射法则，才能生成正确的重建代码，所以这种二值化的确定性反馈，反过来又迫使模型得以建立更精确的视觉理解。
图 2. CodePercept 的总体流程图
Part 01:构建高质量图像-代码对 Part 02:代码驱动的描述生成、STEM图像到代码转录 Part 03:形成 ICC-1M数据库。
03
新范式的落地，需要与之匹配的训练数据。但问题是，代码驱动的视觉感知数据在现实中几乎不存在，无法仅靠简单地爬取网页就得到“图像-描述-代码”三元组。
为此，研究团队构建了ICC-1M数据集，包含100万个高质量的三元组（Image-Caption-Code），并通过三条创新的合成流水线实现了从零到百万的数据生产：
第一条：图像复现（Image Reproduction）：将现有的STEM图像精准转化为可执行的Python代码。
这相当于给每张图配上一段“源代码”，确保代码与图像之间形成严格的对应关系。
第二条：图像多样化（Image Diversity）：提取种子图像的核心STEM原理，在不改变数学本质的前提下，通过参数变化在不同的视觉语境中重新实例化，从而生成大量视觉上不同但原理一致的新图像。
第三条：立体几何合成（Solid Geometry Synthesis）：基于模板的立体几何代码生成，能够产生大量包含三维空间变换、多面体交叉和辅助线体系的训练样本。
这三条流水线突破了当前MLLMs在立体几何空间关系上的集体短板，也为新范式的出现搭建了强硬的数据底座。
图3:从图像复现到图像多样化到立体几何合成
04
有了数据，接下来就是训练策略的问题。
CodePercept的独特之处在于，它没有简单地在ICC-1M上做一轮SFT（监督微调）就收工，而是设计了一套两阶段渐进式训练策略，完整覆盖了“学会”到“精通”的全过程。
第一阶段：CodePercept-S1（监督微调）
既然描述和代码本质上都是对同一视觉信息的表达，为什么不把“看图写描述”和“看图写代码”当作两个并行任务来联合优化？
于是，团队在SFT阶段同时优化 Image2Caption 和 Image2Code 两条任务路径，让模型在同一套视觉编码器上建立双通道的感知能力，既学会生成自然语言描述，也学会生成精确的复现代码。
两条任务共享视觉特征提取过程，相互促进、相互补充。
第二阶段：CodePercept-R1（强化学习）
SFT能让模型“学会”写代码，但离“写对”还有距离。
原因在于，代码生成是一个容错率极低的任务。Caption写错一个数，读者大概还能猜出原意。代码写错一个坐标，渲染结果就完全走样了。
为了从“差不多对”跨越到“精准对”，团队引入了GRPO（Group Relative Policy Optimization）强化学习，并设计了三层递增的奖励机制：
格式奖励：语法必须正确，代码至少能跑起来。
内容执行奖励：运行结果必须与目标图像在关键指标上匹配。
图码相似度奖励：重构图像与原始图像之间的感知相似度。
GRPO让模型在不断的自我试错中，逐渐学会“什么样的代码才能精确还原图像”。这种从SFT到RL的递进，本质上就是从“知道怎么干”到“知道怎么干对”的质变。
图4 CodePercept-S1 模型和CodePercept-R1 模型的训练曲线
05
在传统的评测体系里，感知能力往往是通过最终的解题正确率来反推模型感知好不好。但这种评估方式存在一个根本性漏洞：模型可能答对了题，但根本没看懂图（比如仅凭文本提示就猜出了答案），也可能看懂了图但推错了解题步骤。
简而言之，传统评估无法将“感知”和“推理”真正解耦。
为了解决这个问题，团队推出了STEM2Code-Eval，这是一个包含1000张经过人工精校图像的感知评测基准。
它的评测逻辑简单而苛刻：模型必须生成能够100%还原原始图像的Python代码，然后用代码渲染结果与原图进行像素级精确度比对。
基于STEM2Code-Eval，研究团队得以充分验证代码能不能跑、跑出来像不像。
图5 STEM2Code-Eval 基准的流程
在这个基准上，团队以Qwen3-VL为基座模型进行了全面测试，结果相当震撼：
在Captioner-Solver评测模式下，CodePercept-8B-S1仅用80亿参数就超越了Qwen2.5-VL-72B（优势达6.2%），甚至逼近了Claude-Opus 4.1-Thinking和GPT5-Thinking这样的闭源前沿模型。
而在纯粹考查感知的图像还原任务（STEM2Code-Eval）上，经过强化学习优化的CodePercept-8B-R1斩获63.56分，全面超越了Seed 1.6-Vision和Qwen3-VL-Plus等超大参数规模的旗舰模型。
图 6. 在 STEM2Code-Eval 上使用 1k 样本的性能评估
这些数据指向了一个反直觉的结论：参数的堆砌并不能弥补感知能力的缺陷，而代码驱动的感知训练，即使在小参数模型上，也能产生超越量级的感知跃迁。
06
把CodePercept放在CVPR 2026的大背景下看，它的意义远远不止是“又一个新SOTA”。
过去几年，多模态大模型领域有一个默认的“升级路径”，参数越做越大、数据越堆越多、推理链越走越长。这条路径的隐含假设是: 视觉感知已经足够好了，只要能推理，就能解决问题。
但CodePercept用系统的实验证据证明，这个假设可能从一开始就是错的。当模型的“眼神”连一个简单几何图形的坐标都读不准时，再强的推理能力也无从发挥。
更值得关注的是它的方法论转向：用代码作为视觉感知的锚点。 这是对“视觉理解”这件事本身的重新定义。
如果视觉理解的最终目标是“能够精确复现所看到的东西”，那么代码比自然语言天然更具优势，因为它自带可验证性。
而Qwen团队的加持，更意味着这一范式有强大的工程底座作为支撑。从Qwen3-VL的视觉编码能力到GRPO在代码生成场景的落地，这套技术栈的成熟度远非一个纯学术原型可比。
也许未来，更多团队会重新审视“感知vs推理”的权重分配，更多研究者会将代码纳入视觉理解的标准工具箱。“给大模型装上基于代码逻辑的火眼金睛”，正在成为一条真实可行的技术路线。（雷峰网(公众号：雷峰网)）
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。