Shiao Xie, Siyu Chen, Jianwei Lv, Xiandong Li, Yujin Wang · 2026 · arXiv
DOI: 10.48550/arXiv.2610.26856 · open-access PDF
Multimodales Verstärkungslernen mit verifizierbaren Belohnungen (RLVR) bietet eine zuverlässige Aufsicht auf der Aufgabenebene, bietet jedoch begrenzte Anleitung für die Lokalisierung von Fehlern in der visuellen Argumentation. On-Policy Self-Destillation (OPSD) ergänzt diese Aufsicht mit dichten Token-Level-Korrekturen von einem privilegierten Lehrer, der mit einer evidenzzentrierten visuellen Ansicht ausgestattet ist. Jedoch können die resultierenden Korrekturen visuelle Beweise mit nicht-visuellen Verschiebungen verwechseln, die durch sprachliche Vorurteile, Reaktionsstil oder die privilegierte Ansicht selbst verursacht werden.
Machine translation (Meta M2M100); the English original follows.
Multimodal reinforcement learning with verifiable rewards (RLVR) provides reliable task-level supervision, yet offers limited guidance for localizing errors in visual reasoning. On-policy self-distillation (OPSD) complements this supervision with dense token-level corrections from a privileged teacher equipped with an evidence-centered visual view. However, the resulting corrections may conflate visual evidence with non-visual shifts induced by linguistic priors, response style, or the privileged view itself. We formalize this phenomenon as privileged-correction contamination: a token-level co
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.26856, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange