研究：最小编辑在线蒸馏提升多模态推理感知能力
原文标题：Edit, Don't Imitate: Minimal-Edit On-Policy Distillation for Multimodal Reasoning
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文针对视觉语言模型误读图表导致推理失败的问题，提出最小编辑纠错在线蒸馏：以参考图描述和已验证解答作为训练信息，教师仅对错误轨迹中不被偏好的token给出纠错损失，正确轨迹用任务奖励强化学习。方法在测试时无需图描述，在多个模型规模上达到或超过推理时提供参考描述的基线。
深读 · 结论先行AI 生成展开看要点与影响 ↓
最小编辑纠错在线蒸馏让 VLM 在测试时无需图描述，多模型规模上追平或超过推理时提供参考描述的基线。
- •针对 VLM 误读图表导致后续推理建立在错误前提上的感知瓶颈，小模型尤为明显
- •训练时用参考图描述与已验证解答，教师按最小编辑目标只对错误轨迹中被偏好的 token 给纠错损失
- •正确轨迹改用任务奖励强化学习，保留 on-policy 监督、避免整段响应模仿
- •测试时不需要描述；同尺寸冻结教师也有效，但多数指标上增益小于更大教师
为什么重要：把「推理时额外调用模型生成图描述」的成本挪到训练阶段，对多模态数学与图表理解的产品化部署是实用的降本方案。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。