MLLM在细粒度视觉理解上仍然吃力：答案往往依赖图中只占极小比例的"决定性细节"，而在整图推理时，这些细节被海量视觉 token 淹没。
- 在整图推理时，这些细节往往只占图像中很小一块，被大量无关视觉 token 包围，极易在全局场景的"合理猜测"中被忽略------模型可能基于全局语义给出看似合理、实则漏掉关键局部证据的答案。
- "Thinking-with-Images"方案，给 MLLM 配备了智能体式的视觉工具 ：在推理过程中主动裁剪、放大、检查 感兴趣区域。这确实提升了细粒度理解，开销较大：
- 需要反复编码图像（每次 crop 都重新过视觉编码器）；
- 需要多次模型调用（多步推理 + 工具调用）。
这引出一个问题：
能否通过训练把"视觉放大"的收益内化进模型，让模型在单趟前向传播（single forward pass）里就能从整图中利用细粒度证据，而不再依赖推理期的工具？
关键现象------regional-to-grdobal perception gap（区域到全局的感知差距） ：同一个 MLLM，当输入是"以证据为中心裁剪出的小图"时，比输入"完整大图"时答得更准。这说明很多失败不是因为模型认不出细节，而是因为模型在全局上下文里难以聚焦到相关细节。
Vision-OPD (Vision On-Policy Distillation)：从同一个 MLLM 实例化两个"条件策略"------
- Teacher（老师）:只看"证据裁剪图"（crop），相当于模型开了一个特权视角；
- Student（学生）:看完整大图，即标准推理场景。
学生先在线（on-policy）生成回答，然后让老师和学生在这条学生自己生成的轨迹上做逐 token 的分布差异最小化。这样就把模型"放大看"的特权能力，迁移到了"看整图"的策略中。
2. 动机：Less is More（少即是多）
2.1 一个可验证的假设
作者提出一个简洁的验证思路：对比同一个模型在两种输入下的表现------
- Global input（全局输入）：喂完整大图；
- Regional input（区域输入）：只喂"以证据为中心裁剪出的小图"。
如果模型在"裁剪图"上答对、在"整图"上答错，就说明：模型其实能识别该证据，只是无法在全局上下文中聚焦到它。瓶颈是"聚焦能力"，不是"识别能力"。
2.2 定性案例
基于 Qwen3.5-9B 的定性案例。问题问"护耳罩是什么颜色"。
- 输入整图 → 模型预测 black（错）；
- 输入裁剪区域 → 模型正确预测 green（对）。
决定性证据在孤立看时清晰可辨，但在全局上下文中被淹没。
2.3 系统性验证：差距是普遍存在的
在 ZoomBench 上的系统评测表明，这并非个别现象，而是一个系统性规律：
区域输入的精度持续高出 全局输入 18~22 个百分点 。
更关键的是------即便是非常大的模型、闭源模型（GLM-4.6V、GPT-5.4、Gemini-3.5-Flash、Gemini-3.1-Pro）也都有显著的差距 ，证明单纯堆参数无法关闭这个 regional-to-global gap。
结论 ：既然模型"自己的区域感知"始终强于"全局感知"，那么就可以用前者作为特权监督（privileged supervision）来提升后者------把"放大"的收益内化进单趟前向，无需推理期工具。
3. 方法：Vision-OPD（区域→全局的在线策略自蒸馏）
整个方法由两大部分组成：(A) 数据合成（构造 triplet） 与 (B) 在线自蒸馏训练。论文的 Overview 图把这两部分画得很清楚：
Vision-OPD 总览。
左 ：在"证据裁剪图"上生成细粒度问题，并通过边界框叠加把问题"锚定"回整图。
右 ：用同一个 MLLM 实例化 teacher 策略 p T ( ⋅ ∣ x crop ) p_T(\cdot\mid x_{\text{crop}}) pT(⋅∣xcrop) 与 student 策略 p S ( ⋅ ∣ x global ) p_S(\cdot\mid x_{\text{global}}) pS(⋅∣xglobal)。学生在线生成 rollout y ∼ p S y\sim p_S y∼pS，沿该轨迹计算逐 token 散度 D ( p T ∥ p S ) D(p_T\|p_S) D(pT∥pS) 作为稠密监督；梯度只流经学生 logits，实现无标注的自蒸馏。
算法流程
输入：训练集 D = {(x_i, x'_i, q_i)}; MLLM p_θ; 散度 D（如 JSD_β）
定义：
p_S(·|x, q) := p_θ(·|x, q) # 学生：整图条件
p_T(·|x', q) := p_θ(·|x', q) # 老师：裁剪图条件（特权视角）
for step = 1 ... M:
采样一个 batch B ⊆ D
for 每个 (x, x', q) ∈ B:
y ~ p_S(·|x, q) # 学生在线采样
ℓ(x,x',q) = 1/|y| Σ_n D(
p_S(·|x, q, y_<n)
|| stopgrad( p_T(·|x', q, y_<n) ) )
L = 1/|B| Σ_{(x,x',q)∈B} ℓ(x,x',q)
用 L 更新 θ注意
stopgrad：梯度不回传到老师，老师只提供目标分布。
实验结果
参考文献
-
Vision-OPD: Learning to See Fine Details for Multimodal LLMs via On-Policy Self-Distillation，https://arxiv.org/abs/2605.18740