최근 시각-언어 모델 (Vision-Language Models, VLMs)의 발전은 긴 사고 사슬 (Chain-of-Thought, CoT) 추론을 강조하고 있습니다. 그러나 우리는 시각적 작업에서의 성능이 추론 자체보다는 주로 시각적 인지 (Visual Perception)의 부족으로 인해 제한된다는 것을 발견했습니다. 본 연구에서는 전문화된 학습 데이터를 통합하여 모델의 능력을 시각적 인지 (Visual Perception), 시각적 추론 (Visual Reasoning), 텍스트 추론 (Textual Reasoning)의 세 가지 별도 학습 단계로 분해함으로써, VLM 사후 학습 (Post-Training) 과정에서의 인지와 추론 사이의 상호작용을 체계적으로 연구합니다. 우리는 시각적 인지가 (a) 전문화된 데이터를 통한 타겟 최적화를 필요로 하며, (b) 시각적 추론을 정교화하기 전에 단계별 학습을 통해 공고히 되어야 하는 근본적인 비계 (Scaffold) 역할을 하고, (c) 캡션 기반의 지도 미세 조정 (Supervised Fine-Tuning, SFT)보다 강화학습 (Reinforcement Learning, RL)을 통해 더 효과적으로 학습된다는 것을 입증합니다. 다양한 VLM에 걸친 실험을 통해, 단계별 학습 (Staged Training)이 통합 학습 (Merged Training)보다 시각적 인지와 추론 성능을 일관되게 향상시킨다는 것을 보여줍니다. 특히, 우리의 접근 방식으로 학습된 모델은 추론 경로 (Reasoning Traces)가 20.8% 더 짧으면서도 추론 정확도는 1.5% 더 높게 달성하였으며, 이는 우수한 인지가 과도한 추론의 필요성을 줄여준다는 것을 시사합니다. 나아가, 우리는 이러한 능력 기반의 단계 설정이 전통적인 난이도 기반 커리큘럼 (Difficulty-based Curricula)과 직교하는 새로운 커리큘럼 차원을 나타내며, 두 가지를 결합했을 때 추가적인 가산적 이득 (Additive Gains)을 얻을 수 있음을 보여줍니다. 우리의 단계별 학습 모델은 오픈 웨이트 (Open-weight) VLM들 사이에서 우수한 성능을 달성하였으며, 베이스 모델과 비교하여 여러 시각적 수학 및 인지 작업(예: WeMath에서 +5.2%, RealWorldQA에서 +3.7%)에서 진보된 결과를 확립했습니다.