研究揭示视频RLVR捷径放大并提出BSPO

Jiafeng Liang等作者在arXiv发表研究，指出视频强化学习可验证奖励（RLVR）的结果级优化会放大捷径效应：模型更倾向依据文本先验作答，而非视觉证据。作者将这一现象称为“感知不确定性坍缩”，即RL训练持续锐化答案分布，但视觉证据带来的不确定性下降逐步减弱。 基于上述发现，作者提出自蒸馏框架BSPO（Bifocal Self-distillation Policy Optimization），用两种互补的分布信号约束策略更新。这是作者提出的方法，报道未给出其实际效果验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。