慢感知是什么？让多模态模型一笔一画地看懂几何图形

慢感知（Slow Perception）是一种提升多模态大模型精细视觉感知能力的方法，由阶跃星辰（StepFun）团队和北京航空航天大学在 2025 年联合提出，论文标题是《慢感知：让我们一步一步地感知几何图形》。名字呼应了“慢思考”：不只是推理可以一步步来，“看”也可以一步步来。

问题：模型看不准几何图

多模态大模型在解几何题时常常出错，很多时候问题不在推理，而在于一开始就没看清图：线段的端点连到了哪里，两条线有没有相交，交点在哪个位置，看错一处，后面的推理就全错了。人类在看复杂的几何图形时，其实也不是一眼就看全的，而是会顺着线条一笔一画地看，甚至用手指描着看。研究者认为，模型的“感知”也应该放慢、细化。

两个阶段

慢感知分为两个阶段。

第一阶段，感知分解：把复杂的几何图形分解成最基本的形状单元，也就是点和线段。圆、多边形等复杂图形都可以看作由这些基本单元组合而成。这样，模型只需要逐个识别简单的元素，而不是一次理解整个复杂的图形。

第二阶段，感知流：模仿人类用笔描图的过程，逐步追踪每一条线段。模型不是一次输出线段两个端点的坐标，而是从起点出发，像一支笔沿着线段移动，按一定的步长逐段推进，每一小段都重新确认位置，直到到达终点。研究者把每次移动的距离称为“感知步长”，步长越小，追踪越细致，定位越准确，但需要的步骤也越多。

效果

论文报告，采用慢感知训练的模型，在几何图形的解析准确度上有明显提升，并且发现了一个有意思的规律：感知过程放得越慢、步骤越细，准确度越高，这体现了一种在“感知”上的推理时扩展。准确的图形感知进一步提升了模型在几何推理任务上的表现。这项工作提示，多模态模型的视觉能力不只取决于视觉编码器，还可以通过改变“看”的方式来提升。