本研究提出了InternLM-XComposer2.5-奖励（IXC-2.5-Reward），旨在解决大型视觉语言模型（LVLM）在视觉理解中产生错误输出的问题。通过构建高质量的多模态偏好语料库，该模型在多模态奖励基准上表现优异，为强化学习训练提供了可靠的监督信号，展现了良好的应用前景。

本研究发现无工具基准线策略与工具辅助策略竞争力相当，使用工具改进错误输出的策略优于检索相关信息的策略。使用工具的策略昂贵，但并不意味着实质性的性能提升。少样本工具集成仍是一个待解决的挑战，需要全面评估策略的效益和成本。