arXiv · AI· Shizhe Xiang, Ke An, Wenlong Yu, Yue Liu, Tingting Wu, Jian Luan, Pei Fu, Qilong Wang·· 6 小时前AI 评分41
PTD-PO：多模态策略优化的特权辅导蒸馏框架
Teaching the Way, Not the Answer: Privileged Tutoring Distillation for Multimodal Policy Optimization
AI 导读
PTD-PO 框架通过特权辅导蒸馏解决 RLVR 中可验证奖励稀疏导致的低效探索问题。 该框架构建结构化特权提示，结合空间注意力引导与中间推理步骤，在 2B 至 8B 参数的大视觉语言模型上持续超越 RLVR 和蒸馏基线。 PTD-PO 有效缓解了熵坍缩，提升了复杂多模态推理性能。 ```
来源：arXiv · AI · arxiv.org