arXiv · 大模型
Vision-OPD 提出多模态大模型细粒度视觉理解的自蒸馏方法
多模态大模型在细粒度视觉理解上仍存在短板，答案往往依赖图像中微小但关键的证据。Vision-OPD 提出一种基于策略的自蒸馏方法，让模型在训练中主动关注局部细节，缩小区域到全局的感知差距。该方法不依赖额外标注，即可提升 MLLM 对细节问题的回答准确率。
- 域名
arxiv.org- 评分
- 4 · 重要更新
- 发布
- 2026-05-18
导读
这条暂时没有深度导读，点上方「访问项目本体」直接到源页面查看。
原文摘要
Multimodal Large Language Models (MLLMs) still struggle with fine-grained visual understanding, where answers often depend on small but decisive evidence in the full image. We observe a regional-to-global perception gap: the same MLLM answers fine-grained questions more accurately when conditioned …