一个9B参数的模型，在细粒度视觉理解上把Gemini-3.5-Flash、Gemini-3.1-Pro、GPT-5.4、Qwen3.5-397B、和Kimi-K2.6（1T）甩在了身后。

没有外部教师，无需人工标注，推理时也不用任何工具，一次前向搞定。

小红书dots团队提出的Vision-OPD（Vision On-Policy Distillation，视觉在线策略蒸馏）框架，仅用约6.2K条全自动合成数据，便让9B模型在多个细粒度视觉理解基准上取得SOTA。

例如像下面这张图，“图中人物戴的护耳是什么颜色？”，眼神不好的都不一定能看出来，Vision-OPD轻松答对。

这是如何做到的？

团队发现，同一个模型，给它看裁剪放大的局部图，答细粒度问题的准确率比看全图高出18到22个百分点。

既然看局部一向比看全局强，那就让看局部的自己，去教看全局的自己。

看局部，比看全局强

多模态大模型（MLLMs）在通用视觉理解上已经很强，但碰到细粒度问题就犯难。图像里一小块不起眼的区域，占全图面积可能不到5%，模型在成千上万个视觉token里很容易把它忽略掉，转而根据全局场景编一个看起来合理的答案。

例如还是上面那张图，问Qwen3.5-9B，“图中那人戴的耳罩是什么颜色？”

给全图，模型答黑色，答案被淹没在了全局上下文里；而把耳罩那块区域裁出来单独给它看，模型答对了。

团队在ZoomBench上做了系统评测，结果很一致。Qwen3.5-4B、Qwen3.5-9B、GLM-4.6V、GPT-5.4、Gemini-3.1-Pro，区域输入的准确率全部高于全局输入，差距在18到22个百分点之间。参数规模从4B堆到上千亿，这道鸿沟纹丝不动。

堆参数解决不了这个问题。

最近流行的Thinking-with-Images（边想边看）方法，给模型配上裁剪、放大的视觉工具，推理时让它主动去抠局部，确实有效。但代价是反复编码图像、反复调用模型，推理开销成倍增长。

能不能把“放大聚焦”的好处，通过训练直接写进模型权重里？

自己教自己

Vision-OPD的做法，拆开看很简洁。

从同一个模型里派生出两个策略，共享同一套参数，只是看的图不一样：

裁剪教师，只看那块对准关键证据的裁剪放大图。这是特权视角，细粒度细节一览无余。

全图学生，看完整大图，和正常推理时的输入一模一样。

训练流程分3步：

学生先在全图上自己生成一段回答。然后，对学生写下的每一个token前缀，分别算出教师和学生的next-token分布。最后，把两者的散度压到最小。

梯度只流过学生。教师是个固定靶，用指数移动平均（EMA）做正则化，防止师生同步漂移导致训练崩溃。

这套组合有两个关键好处。

在线采样，训练时用的前缀就是学生自己生成的序列，和推理时的状态分布对齐。传统离线蒸馏（SFT）在教师生成的轨迹上训练学生，推理时学生走自己的路，前缀对不上，误差越滚越大。

稠密token级监督，每个token都拿到有意义的梯度信号。GRPO、DAPO这类强化学习方法，只有序列级的稀疏奖励，一批样本恰好全对或全错时，训练就停摆了。Vision-OPD不存在这个问题。

整个方法满足5个约束：在线采样、稠密token级监督、无外部教师、无真值标签、无推理时工具调用。

数据从哪来？一条全自动流水线，从无标注图像里合成三元组（全图、裁剪图、问题），总共6.2K条。

对原图做物体识别和分割，只保留面积占比小于阈值的小区域，这些区域最可能藏着细粒度证据。用Qwen3.5-397B给每个区域生成一个光看这块就能答的问题。把区域边界框叠回原图，加一句空间约束（比如“只关注红框里的物体”），作为学生输入。把区域裁出来放大2倍，作为教师输入。

因为裁剪图从无标注图像里自动抽取，这套流水线能适配任意图像语料。

6.2K数据，9B逆袭

团队把Vision-OPD用在Qwen3.5-4B和Qwen3.5-9B上，在6个细粒度视觉理解基准上评测：V* Bench、ZoomBench、HR-Bench 4K、HR-Bench 8K、MME-RealWorld-EN、MME-RealWorld-CN。

Vision-OPD-9B拿下79.68的平均分，总体第一。超过Gemini-3.1-Pro（79.25）、Gemini-3.5-Flash（79.24）、GPT-5.4（72.77），也超过大参数量的Qwen3.5-397B（77.44）和Kimi-K2.6（72.81）。

Vision-OPD-4B也有77.07，超过GPT-5.4和Kimi-K2.6。

和那些推理时反复裁剪、放大的Thinking-with-Images智能体模型比，Vision-OPD只需一次前向，速度快得多，分数还更高。

和同样数据、同样底座的其他训练策略比呢？

SFT在教师的轨迹上训练，分布对不上，MMStar从83.07掉到73.33，遗忘严重。

GRPO和DAPO也出现不同程度的通用能力退化。

Vision-OPD在细粒度任务上大幅领先的同时，MMVP、CV-Bench、MMStar、POPE这些训练分布外的任务，分数持平甚至微涨。

鸿沟在缩小

Vision-OPD到底有没有真的在弥合区域到全局的鸿沟？

团队追踪了训练过程中每个checkpoint的表现：同一道题，分别用全图和裁剪图作答，算两者的准确率差。差值越小说明模型越能从全图里找回裁剪才看得到的证据。

曲线很清晰。随着训练推进，鸿沟稳步收窄。两个Vision-OPD模型最终的鸿沟值，都低于GPT-5.4和Qwen3.5-397B。模型确实学会了在全图里直接锁定细粒度证据，把放大聚焦的本事内化进了权重。

模型看局部比看全局强，这道鸿沟靠堆参数填不上。

Vision-OPD的回答很巧妙，既然你自己看局部就是比看全局强，那就让看局部的你，手把手教看全局的你。不需要更强的外部教师，不需要人工标注，不需要奖励验证器，6.2K条自动合成的数据就够了。

从看个大概到看清细节，有时候差的不是能力，是一个把注意力引向正确位置的训练信号。

参考资料：

https://github.com/VisionOPD/Vision-OPD

https://huggingface.co/collections/yuanqianhao/vision-opd

https://arxiv.org/pdf/2605.18740

免责声明：本文来自算泥客户端，不代表超天才网的观点和立场。文章及图片来源网络，版权归作者所有，如有投诉请联系删除。