知识卡片：TraceViT：基于接地迹监督的视觉抽象推理

一句话结论

TraceViT 通过将循环视觉推理模型的中间迭代过程约束为“语义单调的变换链”，并配合任务参考与对象工作区接地，在 ARC-AGI-1 上达到 67.8% 的 pass@2，在 ARC-AGI-2 上达到 24.3%；受控消融表明，迹监督只有在与接地配对时才有益。

事件概述或研究问题

Abstraction and Reasoning Corpus（ARC）要求模型从少量输入-输出示例中推断未见的变换，并将其应用到新的网格上。循环视觉推理器会在多次迭代中逐步修正预测，但传统训练只约束最终输出，中间迭代的修正过程没有任何监督信号。本文提出：中间修正应当逐步跟随真实变换，而不是只检查终点是否正确。

方法/产品要点

• 模型：TraceViT，一个循环视觉推理器，训练时使用“语义单调变换链”作为迹监督。
• 变换链构造：通过改写并验证程序化任务实现，将每个解决方案分解为一系列中间网格状态，得到逐步单调逼近最终结果的变换链。
• 接地（Grounding）：每次迭代都由两类信息接地：一是从 few-shot 演示中得到的任务参考，二是表示当前网格状态的对象工作区。
• 软迹对齐（Soft Trace Alignment）：变换链长度可能与循环迭代次数不同，软对齐只强制变换链的顺序，不强制一一对应，从而允许模型自由分配迭代次数。

主要结果或产业意义

• ARC-AGI-1：pass@2 达到 67.8%。
• ARC-AGI-2：pass@2 达到 24.3%。
• ARC-AGI-1 上的受控消融显示：单纯的迹监督并不足够，只有与接地机制配对时才能带来收益。
• 代码和数据将公开：https://github.com/LiuBinnan/TraceViT

为什么重要

循环视觉推理模型长期缺乏对中间步骤的监督信号，TraceViT 提供了一种从程序化任务实现中自动构造中间状态迹的方法，使模型每一步迭代都有可学习的“过程标签”。与已有相关卡片相比，本条是视觉抽象推理领域的“迹监督”方法，不同于 AdaPrefix-GRPO 在数学推理中注入前缀迹的做法；也与 HDR 的多步视觉推理框架、ExpertVerse 的评估基准不同，TraceViT 直接解决了中间迭代监督缺失的问题。

局限与不确定性

• 变换链依赖对程序化任务实现的改写与验证，对于无法程序化表达的任务，该方法是否适用待核实。
• 软迹对齐的具体实现细节（如顺序损失函数形式）未在摘要中展开，待核实。
• ARC-AGI-2 上绝对准确率仍较低，说明任务难度依然很高。
• 消融研究的具体数值和设置未在摘要中给出，待核实。

可用于图书/PPT/简报的角度

• 用“过程监督 vs 结果监督”说明 TraceViT 的核心思想：不是只看最终答案对不对，而是要求每一轮“思考”都朝着正确方向走。
• 可作图对比传统循环推理与 TraceViT：传统模型只约束输出端，TraceViT 在中间状态上插入接地迹监督。
• 可与其他“迹”类方法（如迹前缀控制）一起组成“从过程监督到推理泛化”的主题讲解。

原始材料

• 英文标题：TraceViT: Grounded Trace Supervision for Visual Abstract Reasoning
• 英文关键词：TraceViT; Visual Abstract Reasoning; Abstraction and Reasoning Corpus; Trace Supervision; Looped Visual Reasoner
• 来源：https://arxiv.org/abs/2607.29586v1
• arXiv ID：2607.29586v1
• 作者：Binnan Liu, Yechi Ma, Tian Xie, Wei Hua
• 提交/更新时间：2026-07-31T16:09:44Z
• 分类：cs.CV, cs.AI