Edit, Don't Imitate: 多模态推理的最小编辑在线策略蒸馏

针对视觉语言模型（VLM）因误读图表导致推理失败的感知瓶颈，研究者提出最小编辑修正在线策略蒸馏方法。 该方法仅使用参考图表描述和验证过的参考解作为训练信息，教师模型对学生错误 rollout 进行打分，只有教师不喜欢的 token 才贡献到修正损失中；正确 rollout 则接受任务奖励强化学习。