arXiv cs.AI· Shizhe Xiang, Ke An, Wenlong Yu, Yue Liu, Tingting Wu, Jian Luan, Pei Fu, Qilong Wang·· 1 天前AI 评分36
PTD-PO：面向多模态策略优化的特权提示蒸馏框架
Teaching the Way, Not the Answer: Privileged Tutoring Distillation for Multimodal Policy Optimization
AI 导读
论文提出 PTD-PO（Privileged Tutoring Distillation Policy Optimization），一种面向 LVLM 的 RLVR 训练框架，在不向学生策略暴露答案的前提下提供密集监督。
来源：arXiv cs.AI · arxiv.org