Học tăng cường với tự chưng cất on-policy có thể truy nguyên theo hình ảnh

Học tăng cường đa phương thức với phần thưởng có thể kiểm chứng (RLVR) cung cấp khả năng giám sát đáng tin cậy ở cấp độ nhiệm vụ, nhưng chỉ hỗ trợ hạn chế trong việc xác định lỗi khi suy luận hình ảnh. Tự chưng cất on-policy (OPSD) bổ sung cho cơ chế này bằng các hiệu chỉnh dày đặc ở cấp token.