Task Definition作者首先重新定义了Reasoning Segmentation这个任务。传统的语义分割输入通常只是一个类别，例如"bird"，模型只需要找到所有鸟对应的像素即可，这实际上几乎不需要推理。而Referring Expression Segmentation则进一步允许输入一句简单描述，例如"woman in blue"，模型需要同时理解图像和文本之间的对应关系，定位那个穿蓝衣服的女人。虽然难度提高了一些，但描述依然是直接的，因为文本已经明确告诉了模型应该寻找什么。然而Reasoning Segmentation真正困难的地方在于，用户给出的标签T可能是一句十分抽象甚至隐含语义的话，例如"The unusual thing in the image"（图中最奇怪的东西）或者"能够提供持续能量的食物"。这类描述不会直接对应任何一个类别，而是要求模型先理解语言、分析图像、调动世界知识，再一步一步推导出真正的目标。因此作者认为，整个任务实际上可以拆解成两个完全不同的问题：第一个问题是"目标到底是谁"，第二个问题才是"它的像素在哪里"。过去的大多数方法把这两个问题混在一起解决，而Seg-Zero认为，这两个问题应该彻底解耦。Development为什么Seg-Zero这种强化学习+推理模型+分割模型解耦的设计是合理的，它到底填补了哪一个研究空白?整个Related Work实际上分成三条技术发展路线，每一条路线都发展得很好，但是彼此之间一直没有真正结合，而Seg-Zero正是试图把它们融合起来。第一部分首先讨论的是Large Models中的Reasoning（大模型推理能力）。作者想表达的第一个观点其实非常简单：如今的大语言模型已经证明，一个模型真正强大的地方，不再只是知道多少知识，而是能够利用这些知识进行持续推理。过去几年，LLM的发展重点更多放在扩大参数规模、增加训练数据和提高语言生成能力上，但随着GPT系列以及后续模型的发展，研究者逐渐意识到，一个模型回答问题时最大的瓶颈其实不是知识储备，而是推理能力。如果一个模型拥有大量知识，却不会分析问题，那么面对复杂任务时依然会频繁犯错；相反，如果模型能够像人一样一步一步拆解问题，即使面对陌生场景，也能够利用已有知识逐渐找到答案。因此，整个LLM社区开始从"训练更大的模型"逐渐转向"训练更会思考的模型"。这种思想催生了近年来最重要的一个概念——Inference-Time Scaling，也就是"测试阶段推理扩展"。作者这里提到的OpenAI o1正是这一思想的代表。传统模型面对问题时通常直接输出答案，而o1并不会急于回答，而是允许自己在回答之前进行更长时间、更深入的推理。也就是说，它把更多计算资源放在"思考"而不是"回答"上。研究发现，仅仅增加推理过程的长度，就能够显著提升模型解决数学、逻辑推理和复杂规划问题的能力。这说明，大模型真正缺少的并不是知识，而是一个能够组织知识、调用知识和验证知识的推理过程。既然更长的推理过程能够提升性能，那么研究者自然开始思考：怎样才能让模型学会主动进行推理，而不是机械地生成几句看起来像推理的话？于是整个研究社区围绕这个问题提出了许多不同的方法。有些工作构建了专门的Process Reward Model，不再只评价最终答案是否正确，而是评价整个思考过程是否合理，希望模型能够因为"推理得好"而获得奖励；还有一些工作采用搜索算法，让模型在多个候选思路之间不断尝试和比较，从而找到最佳推理路径；而近年来最成功的一条路线，就是强化学习。强化学习最大的特点在于，它并不告诉模型应该怎样思考，而只是告诉模型最终哪种思考方式能够获得更高奖励。模型会不断试错，在大量探索中逐渐形成自己的推理策略。作者特别提到DeepSeek-R1，就是因为它很好地证明了这一点。DeepSeek-R1几乎没有依赖人工标注的大量推理数据，而是利用GRPO强化学习算法，仅经过几千步训练，就能够让模型自然形成复杂的Chain-of-Thought推理能力。这对于整个领域来说具有重要意义，因为它说明推理能力并不一定需要人工教会，而可以通过奖励机制让模型自己逐渐"悟出来"。接下来，作者把视角从纯语言模型扩展到多模态模型。既然语言模型已经能够学会推理，那么处理图像和文本的MLLM是不是也能够拥有类似能力？近年来确实出现了一批这样的研究。例如有的工作让MLLM专门学习数学推理，把图片中的公式、图形与数学逻辑结合起来进行分析；还有一些工作专注于计数问题，让模型能够准确数出图像中目标的数量。这些工作说明，多模态模型已经开始具备一定程度上的推理能力，而不仅仅停留在图像描述或者视觉问答阶段。但是作者指出，这些工作虽然能够处理"高层语义推理"，却始终没有解决一个更加困难的问题，那就是像素级推理。数学推理最终输出的是一个数字，计数任务输出的是一个数量，视觉问答输出的是一句话，而推理分割最终要求的是图像中每一个像素到底属于目标还是背景。换句话说，推理最终