一、核心主张：视觉状态是解题的草稿纸
语言模型思考靠 token 链，那视觉模型能不能靠"画图链"思考？这篇论文的立场很激进：图像和视频不只是给模型"看"的输入或给人"欣赏"的输出，而是解题的草稿纸——中间视觉状态就是推理过程本身。这条路叫 native visual reasoning。
它卡在三个瓶颈：没有可扩展的训练任务、没有可靠的反馈信号、没有跨模态的受控比较。VBVR-Pro 的全部工作就是补齐这三块：可训练（300 任务）→ 可验证（规则 scorer）→ 可优化（RLVR）→ 可归因（模态对照）。
二、任务层：300 个生成器，125 万实例，零标注
任务按五种认知能力组织：感知、空间、变换、抽象、知识。每个任务是一个参数化程序——随机网格、物体数量、布局、外观，配一个确定性求解器自动算出标准答案，零人工标注。300 个生成器里 150 个来自前作 VBVR，150 个为新设计（中位颜色连通域 80 个 vs 旧任务 12 个，复杂度高一个量级）。
规模：347 万图像、130 万视频、125 万训练实例，50 个任务整个留作域外评测。最关键的设计决策是：同一题目渲染成对齐的视频版与图像版——不是两个数据集，是同一问题的两种模态化身，这才让后面的模态对照实验成立。
三、反馈层：VLM 裁判不靠谱，规则 scorer 才能当奖励
论文对 VLM-as-a-judge 的批评相当系统。三种典型失败：数值不精确（颜色混合错了，三个裁判最低也给 0.80，规则 scorer 给 0.40）、忽略决定性细节（该保持的圆环大小变了还打高分）、误解任务规则（正确答案被压到 0.24）。更麻烦的是不可复现：温度设 0，同一批视频重复打分，VLM 有 55-93% 的样本分数会变——当评测指标已够糟，当 RL 奖励就是灾难。
方案是为 100 个评测任务各写一个规则 scorer：用 HSV 分割、轮廓检测、OCR、轨迹跟踪等经典 CV 方法提取语义属性，在属性层打分而非像素层。软指标加权求和，硬约束（如迷宫不许穿墙）乘法门控。结果全维度碾压：与人类偏好一致率超 0.60（GPT-5.5 仅 0.54，Gemini-3.1-Pro 0.52），成本最低，完全确定性，OOD 模型排序与人类相关性 Spearman ρ=1.00。
四、机制层：视觉轨迹比文本链更能承载推理
这是全文最有味道的部分。用同一套任务训练 30 多个生成器后——
视频 vs 交错图文 vs 单图。直觉上视频应全面胜出，但训练后最强的交错图文模型（SenseNova-U1）在域内与最强视频模型（Wan2.2）打平——学过任务结构后，稀疏的关键视觉状态就够用，计算还便宜得多。视频的真正优势在变换类任务和域外泛化：需要持续跟踪状态转移时，稠密时序表征不可替代。单图生成全面垫底——一张终点图装不下多步过程。
消融才是铁证。把中间多帧图像压成单帧，掉分明显；把中间推理文本换成无意义占位符，几乎不掉分。中间视觉状态是主角，中间文本是配角——与语言模型里"CoT 文本承载推理"恰好镜像。
反事实干预更直接：删输入图像，0.638 → 0.064；删中间图像 → 0.099；中间图像加噪 → 0.190。中间视觉状态被模型因果性地使用，不是装饰。
五、优化层：RLVR 真涨分，还让模型学会"改答案"
RL 采样的算法选择很巧妙：标准 Flow-SDE 加大随机性会把画面打得稀烂，他们改用系数保持采样（CPS），既保画面质量又产生足够的语义探索多样性。
同一数据、同一算法、只换奖励源：SFT 0.503 → RLVLM（VLM 打分当奖励）0.508，几乎白给；RLVR（规则 scorer 当奖励）0.548，域外也从 0.328 涨到 0.377——RLVR 在没见过任何域外任务的条件下提升了泛化。奖励信号质量直接决定 RL 上限。
更有意思的是行为变化：RLVR 后的模型在去噪早期答错，会在后续步骤自我修正收敛到正确答案（pre-RL 模型第一步就定死不改）；迷宫轨迹连贯性也显著变好。同等计算预算下，RL 把推理视界拉长了。
六、迁移：不是背题
VBVR-Pro 训练的 Wan2.2 在七个外部基准（RISE-Video、V-ReasonBench、MME-CoF-Pro 等）上最高提升 20 个百分点。最近邻分析显示测试题与训练集在 CLIP / DINOv2 / 文本特征空间里都不相似——涨的是可复用的视觉推理操作，不是指令模板拟合。
七、为什么值得读
对做视频理解/检索的人，三个可搬走的结论：
① 评测设计：生成式输出别用 VLM 当裁判，属性级规则 scorer 更准、更便宜、可复现，还能直接当 RL 奖励。
② 模态选型：需要状态跟踪选视频，性价比选交错图文，单图生成别指望过程推理。
③ 范式信号：如果推理可以发生在视觉状态空间里，那"视频语义检索"的终局可能不是"文本描述视频"，而是直接在视觉轨迹上推理——模型的中间产物本身就是可检索、可验证的语义单元。