近期,能够自主演化的大型多模态模型(LMM)因其可在纯无监督场景下提升视觉推理能力而受到广泛关注。然而,现有自主演化型LMM所采用的多角色自博弈(multi-role self-play)与自一致性奖励机制,仅以答案层面的一致性为目标进行优化,却未能确保解码器真正关注视觉内容;相反,模型主要依赖统计性语言先验(statistical language priors)来生成在语言层面自洽的输出。这导致了一种持续存在的失效模式,我们将其命名为“视觉条件不足”(visual under-conditioning):即解码器在生成过程中过度依赖语言先验,而非图像本身,具体表现为对视觉标记(visual tokens)的关注显著不足。正因如此,当前的自主演化型LMM在图像描述生成(image captioning)和视觉问答(visual question answering)等视觉–语言理解任务上表现乏力。为应对这一问题,我们提出VISE(Visual Invariance Self-Evolution,基于视觉不变性的自主演化框架)——一种纯无监督的自主演化方法,其核心在于通过两种互补的、基于不变性(invariance-based)的奖励信号,直接约束并规范模型对视觉信息的依赖策略:一是几何不变性奖励(geometric invariance reward),要求模型在已知几何变换(如旋转、缩放、裁剪等)下保持空间表征的一致性;二是语义不变性奖励(semantic invariance reward),通过扰动模型预测的关键图像区域并要求其识别证据缺失,从而惩罚脱离视觉证据的盲目生成行为。VISE完全运行于单一模型内部,无需设置专用角色(specialist roles)、外部奖励模型(external reward models)或任何人工标注,且仅需原始未标注图像即可完成训练。我们在18个基准数据集上的实验充分验证了该方法的有效性:以Qwen3-VL-2B为基座模型时,VISE在COCO数据集上CIDEr指标提升达+16.85,在TextCaps数据集上提升达+19.66;同时将物体幻觉(object hallucination)程度降低5.0个CHAIR-I得分;此外,该方法展现出优异的泛化能力,可跨四种不同模型家族及多个参数规模稳定生效。我们的代码与预训练模型已开源,详见:https://mbzuai-oryx.github.io/VISE

