在多模态上下文学习（MICL）中，许多任务在缺少上下文时定义模糊，需要从示例中发现潜在规则。现有方法大多把 MICL 当作直接的输入‑输出映射，忽视了显式归纳规则并在其上推理的重要性，导致性能和可解释性受限。我们提出 ERIM（Explicit Rule‑Induction for Multimodal In‑Context Learning），它通过显式归纳演示样本背后的潜在规则来提升 MICL。ERIM 利用多模态大语言模型（MLLM）的推理能力，构建以规则为中心的 MICL 数据集，并为规则归纳提供显式监督。训练采用两阶段策略：先进行混合冷启动的监督微调，使模型学习基本的规则归纳；随后通过强化学习进一步优化，使模型在实际推理中能够主动发现并应用规则。大量实验覆盖多种 MICL 场景，结果显示 ERIM 能持续提升性能，并且正确归纳底层规则能够直接带来更强、更稳健的表现。
点评