CE-GRPO：基于信用可寻址推理的多模态几何解题方法

多模态几何推理要求视觉语言模型（VLMs）提取精确的视觉关系，并通过多步演绎保留这些关系。现有的自由形式轨迹模糊了决定答案的关键决策，而轨迹级强化学习将单一的终端信号分配给整个响应过程。我们引入了可归因推理（credit-addressable reasoning），在推理过程中暴露的语义单元不仅用于展示信息，还定义了学习机制在哪里比较备选方案并分配信用值。我们通过 Code-CoT 实例化了这一原则，该方法保留图表、将视觉关系表示为可按行寻址的可执行代码，并将推理组织为类型化事件；同时提出 CE-GRPO，利用结构先验和类型归一化熵选择事件边界，从共享前缀采样完整续写内容，并将结果差异转化为局部优势。在九个几何基准测试中，CE-GRPO 取得了 76.04 的平均准确率，分别比 Qwen3-VL-8B 和轨迹级 GRPO 高出 8.09 分和 3.43 分。其相对优势随中间事件数量的增加而扩大，证明了表示与优化协同设计在长链条、高依赖性的多模态推理中的价值。