研究称视频RLVR后训练放大捷径效应并提出BSPO
热点事件持续更新
研究称视频RLVR后训练放大捷径效应并提出BSPO
1 篇报道1 个报道来源15 小时前更新
先了解这件事
AI 综述
一项提交至 arXiv 的研究（论文 arXiv:2610.37211）发现，用于大语言多模态模型视频推理的 RLVR 后训练会放大捷径效应：模型日益偏向视觉证据不支持的文本先验答案。研究者称，训练中感知不确定性发生坍缩，视觉证据带来的不确定性降低逐步减弱，而结果层面的优化会引入这种不良的捷径放大。论文第一作者为 Jiafeng Liang。 针对该问题，研究者提出 Bifocal Self-distillation Policy Optimization（BSPO）：通过组内正确与错误 rollout 提炼推理原则，并引入捷径感知的视觉扰动惩罚，据称可在保留 RLVR 收益的同时提升视觉忠实度。
AI 根据报道生成 · 1 小时前更新
最新进展10月27日 21:26
从感知不确定性坍缩看视频 RLVR 中的捷径放大效应报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv · cs.CL从感知不确定性坍缩看视频 RLVR 中的捷径放大效应
一项 arXiv 研究发现，用于大语言多模态模型（LMM）视频推理的 RLVR 后训练会放大捷径效应：模型日益偏向视觉证据不支持的文本先验答案，训练中感知不确定性坍缩，视觉证据带来的不确定性降低逐步减弱。研究者据此提出 Bifocal Self-distillation Policy Optimization（BSPO），通过组内正确与错误 rollout 提炼推理原则、引入捷径感知的视觉扰动惩罚，在保留 RLVR 收益的同时提升视觉忠实度。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。