large-vision-language-model

EvoCUA-1.5 引入了一种面向多轮计算机使用代理的在线强化学习框架，在 OSWorld-Verified 上实现了 63.2% 的成功率，并通过步骤级策略优化和动态课程学习，性能超越了参数高达 35B 的可比开放权重模型。

本文提出PTD-PO，一种特权引导式蒸馏框架，可在多模态推理任务中为基于可验证奖励的强化学习提供密集的token级监督，且不暴露答案。该框架利用结构化提示和Top-K JS散度目标以稳定训练，在2B-8B LVLMs上持续优于现有方法。