目的胜于旅程：视觉忠实性在慢速思考中的重要性

推理增强的视觉语言模型（VLMs）生成显式的思考链，虽期望带来更大的能力和透明度，但也引入了新的失败模式：模型可能通过视觉不忠实的中间步骤到达正确答案，或进行忠实推理却在最终预测中失败。仅衡量最终答案准确性的标准评估无法区分这些行为。我们提出将推理链的视觉忠实性作为一个独立的评估维度，关注推理链的感知步骤是否真实地依据图像。我们提出了一个无需训练和参考的框架，将推理链分解为感知步骤与推理步骤，并使用现成的VLMs作为步骤级别的忠实性评估器，同时通过人类元评估验证了这一方法。基于此指标，我们提出了一种轻量级的自反思程序，用于检测和局部重生成不可忠实的感知步骤，无需任何训练。在多个经过推理训练的VLMs和感知密集型基准测试上，我们的方法在保持最终答案准确性的同时，降低了不可忠实感知率，提高了多模态推理的可靠性。