細粒度の視覚的推論は、マルチモーダル大規模言語モデル（MLLM）にとって依然として中心的な課題である。最近導入されたReasonMapは、この課題の存在を浮き彫りにしている。同研究は、交通路線図など構造的・情報量の多い状況において、すらも先進的なMLLMが空間的推論に苦戦することを示しており、このタスクは明確な実用的・科学的意義を持つ。しかしながら、こうしたタスクにおいて標準的な強化学習（RL）は、報酬の疎らさと最適化の不安定性という課題に直面する。この問題に対処するため、本研究ではまず、視覚質問応答（VQA）タスクを通じて密な報酬信号を導入する、拡張されたデータセット「ReasonMap-Plus」を構築し、細粒度の視覚理解能力の効果的なコールドスタート学習を可能にした。次に、MLLMの視覚理解力と推論能力の両方を向上させるための多段階強化学習フレームワーク「RewardMap」を提案する。RewardMapは、以下の2つの主要な設計を採用している。第一に、難易度に応じた報酬設計を導入し、詳細な報酬を組み込むことで、報酬の疎らさを直接克服しつつ、より豊かな監督信号を提供する。第二に、単純な知覚タスクから複雑な推論タスクへと段階的に訓練をブートストラップする多段階RLスキームを提案し、従来の教師あり微調整（SFT）よりも効果的なコールドスタート戦略を実現する。ReasonMapおよびReasonMap-Plusにおける実験結果から、RewardMapの各構成要素が一貫した性能向上に寄与することが示され、それらの組み合わせが最良の結果をもたらすことが確認された。さらに、RewardMapで学習されたモデルは、空間的推論、細粒度視覚的推論、交通路線図以外の一般タスクを含む6つのベンチマークにおいて、平均3.47%の性能向上を達成し、視覚理解力と推論能力の全体的な強化を裏付けている。