提出视觉注意力引导的策略优化方法VAttnPO

Lihao Zheng 等论文作者提出VAttnPO（视觉注意力引导的策略优化），用答案条件下的视觉注意力分布与旧策略的Jensen-Shannon散度对GRPO的序列优势做token级修正，以改进多模态强化学习的令牌级信用分配，同时保留验证器给出的轨迹平均优势。 基于论文摘要：在Qwen3-VL-8B-Instruct上，六项任务的图像AVE由GRPO的70.97提升至73.50，所报告的结构化、视频和MME指标均取得更高分数；该增益在Qwen2.5-VL-7B-Instruct和InternVL3-8B-Instruct上也保持。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。