SVR-R1提出一种面向视觉语言模型的多轮强化学习框架：模型先生成答案，再用同一套权重输出二元自验证结果；若判定为“No”，便触发第二次思考，最终依据结果奖励训练策略。该方法结合GRPO与异步多轮采样，无需外部监督或额外评论家，并据摘要称在多项视觉语言推理基准上显著优于标准GRPO。
最近 24 小时暂无可用热度快照。