研究者提出PTD-PO多模态策略优化框架

Shizhe Xiang等作者提出PTD-PO，一种面向RLVR（可验证奖励强化学习）的特权辅导蒸馏策略优化框架。该方法通过空间注意力引导和中间文本推理步骤构建结构化提示，在不向学生策略暴露答案的前提下提供稠密token级监督，并引入Top-K Jensen-Shannon散度目标以稳定引导与无引导上下文间的分布偏移。 作者称，在2B至8B参数的LVLM（大型视觉语言模型）上，PTD-PO持续优于RLVR与蒸馏基线，并缓解熵坍缩、提升复杂多模态推理表现。上述效果为作者在论文中的报告。

AI 根据报道生成 · 51 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。