Tag · 5 篇

可验证奖励强化学习

分布视觉语言模型3鲁棒性与安全1强化学习与具身智能1

Towards Policy-Adaptive Image Guardrail: Benchmark and Method

对做视觉安全审核的人，这篇给出了一个用图像编辑模型构造「仅局部违规」安全-不安全图像对的基准构造范式，以及用可验证奖励强化学习（RLVR）替代固定策略 SFT 来让 VLM 护栏跨策略泛化的训练思路，可直接迁移到内容审核与越狱防御模型。

TimeLens: Rethinking Video Temporal Grounding with Multimodal LLMs

对做视频-语言理解的人，这篇给出了把 MLLM 训练成强时序定位器的完整配方：交错文本时间编码、免思维链的 RLVR 训练范式，以及一套可复用的高质量重标注流程与修正后的评测基准，可直接用于重训或重评自己的时序定位模型。

PhyCritic: Multimodal Critic Models for Physical AI

自参照评判（critic 先自行生成预测作为内部参照再打分）这一机制可直接迁移到视觉生成/编辑结果的自动评测与偏好数据筛选，为扩散模型或 VLM 的 RLHF/RLVR 提供更稳定的奖励信号。

MSRL: Scaling Generative Multimodal Reward Modeling via Multi-Stage Reinforcement Learning

对做视觉生成与理解评测的人，这篇给出了一个可复用的思路：用大规模纯文本偏好数据先训练出可泛化的奖励推理能力，再经 caption 阶段和全多模态 RL 阶段迁移到视觉奖励模型，从而在缺少多模态偏好标注时也能扩展 MRM 训练；其中的跨模态蒸馏环节可直接用于提升视觉奖励模型的偏好泛化。

GUI-SAGE: Enhancing GUI Automation with Self-Explanatory Learning

对做视觉智能体（GUI/具身）的人，这篇给出一个可复用思路：用真值动作条件化生成同分布推理轨迹，替代分布外专家示范，避免熵坍缩；配合熵调制的信用分配，把置信度与奖励联合加权，可直接迁移到视觉-语言-动作策略的 RL 微调。