VAG：视觉归因门控的 on-policy 自蒸馏¶

仅资料收录，成本过高，不复现（审查 DONE）。 没有本地可执行 adapter、评测接口或机制验证；不接入 Evolve，不作为能力证据，不进入自动重试队列。

论文信息¶

字段	内容
论文链接	arXiv 2610.26856；固定 v1 正文
公司 / 机构	一作 Shiao Xie：Baidu Inc.；Siyu Chen 为共同一作
首次公开日期	2026-10-19T17:59:56Z（arXiv v1，UTC）
原作者代码	未找到原作者训练源码；已发布 VAG-Qwen3.5-4B 和 9B checkpoint，权重不等于开源训练代码
本地 adapter / 方法键	`visually-attributable-opd` 为资料索引键，`adapter: null`，无本地可执行算子；与已有Agent论文的`vag`键区分
本地复现代码位置	无；仅本页面与 packaged catalog 元数据，没有伪造接口或指标
完整实验状态	`not_reproduced_high_cost`；审查 DONE，不阻塞审查水位

原始论文总结¶

背景与主要改动¶

特权图像裁剪带来的 teacher 修正，可能混有语言先验或风格变化。VAG 让同一 EMA 教师对证据保留裁剪和随机遮挡裁剪重放相同学生前缀，只接纳与视觉对比方向一致的修正，再以有界项调制 verifier 的组归一化 advantage。纯文本教师或固定 logits 门控不能冒充该多模态链路。

flowchart LR
  A[全图学生rollout] --> B[verifier组优势]
  A --> C[EMA教师证据保留视图]
  A --> D[同教师证据退化视图]
  C --> E[视觉对比与教师修正]
  D --> E
  E --> F[同号门控与视觉敏感度]
  F --> G[调制而不替代组优势]
  B --> G
  G --> H[clipped GRPO更新]

原论文关键图¶

Figure 3：verifier 锚点、同前缀双教师视图与同号门控的完整路径。图片来自原论文，版权归原作者所有；保留原图并已视觉检查。

核心公式¶

教师修正与视觉对比为 \(\delta_t=\log p_{T+}(y_t)-\log p_S(y_t)\)、\(v_t=\log p_{T+}(y_t)-\log p_{T-}(y_t)\)。只保留同号修正：

\[ g_t=\mathbf1[\delta_t v_t>0],\quad \widetilde A_t=A_{ORM}+\eta g_t\sigma(v_t/\tau)\tanh(\delta_t/\tau). \]

两教师分支为同一个 EMA 模型，只改变视觉输入；不是两套不相关教师。原 verifier advantage 保留为优化锚点，之后进入 clipped GRPO。以上为原文方法说明，未在本库执行。

论文离线与线上效果¶

作者在六套视觉推理基准比较 GRPO、OPSD 与 VAG，并报告 holdout 泛化。完整实验涉及图像视图、判分和 EMA 教师，不能由本地张量运算替代；本页不提供未经复现的本地效果数值。未报告生产线上 A/B。

本地复现¶

完整实验不复现，审查 DONE。 原文 §4.1：Qwen3.5-4B/9B 全参数训练一 epoch，batch 48，每题 \(G=8\) 条响应，最大 1,024 token，8×NVIDIA H800。需要训练数据的目标细节裁剪、EMA 双视图重放和六基准 judge 协议。单 A100/A30 或 Mac 不承担原矩阵，属于配置直接支持的高成本判断，无需下载权重或试跑。

本条只维护论文、作者权重和关键图来源，无运行入口、无 metrics、无 GPU 通过声明、无自动任务；仅在用户看到成本边界后明确要求重开，或出现新的可廉价核验方案时另议。