强化学习奖励机制

TRivia：面向表格识别的视觉语言模型自监督微调

TRivia: Self-supervised Fine-tuning of Vision-Language Models for Table Recognition

把 GRPO 式的强化学习自监督微调用在 VLM 上，用「识别结果能否被正确问答」构造无需标注的奖励信号，并配注意力引导的多样化问题生成；这套闭环奖励设计可迁移到任何缺乏标注的结构化图像解析任务（如公式、图表、版面解析）。