OPD-Aha：多模态在线策略蒸馏从语言动量到视觉反思
原文标题：OPD-Aha: From Linguistic Momentum to Visual Reflection in Multimodal On-Policy Distillation
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。
论文指出特权在线策略蒸馏中，学生早期误读图像会累积错误推理并拖偏教师，导致师生共同陷入幻觉。作者发现教师对真实图像与视觉空值的预测差异中仍保留视觉纠正偏好，据此提出 OPD-Aha，直接从该孤立视觉偏好重建蒸馏目标，抑制与图像矛盾的续写。训练后学生学会用 wait、actually 等反思词中断错误推理，在细粒度感知与复杂多模态推理基准上取得一致提升。
深读 · 结论先行AI 生成展开看要点与影响 ↓
OPD-Aha从教师真实图像与视觉空值的预测差重建蒸馏目标，抑制图像矛盾续写
- •特权在线策略蒸馏中，学生早期误读图像会累积错误推理，把教师拖向同一幻觉
- •对比同一教师给定真实图像与视觉空值的预测，发现视觉纠正偏好仍被保留
- •OPD-Aha直接从该孤立视觉偏好重建蒸馏目标，而非依赖脆弱的师生差异
- •训练后学生学会用wait、actually等反思词中断错误推理，在细粒度感知与复杂多模态推理基准上一致提升
为什么重要：指出多模态蒸馏中师生共同幻觉的失效机制，并给出不依赖师生差异信号的替代监督方式。
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。