内容摘要：由四川大学牵头，联合西安交通大学、中国电信TeleAI及北京大学共同完成的研究成果，以预印本形式于2026年6月发布，论文编号为 arXiv:2606.25319。感兴趣的研究者可通过该编号在arXi

由四川大学牵头，联合联合西安交通大学、研究也中国电信TeleAI及北京大学共同完成的不需标准研究成果，以预印本形式于2026年6月发布，答案论文编号为 arXiv:2606.25319。视觉感兴趣的推理研究者可通过该编号在arXiv平台获取完整论文。

长期以来，联合教会AI“看图说话”相对容易，研究也但让其真正掌握“看哪里”却极具挑战。不需标准例如，答案面对复杂街景询问“右下角路牌内容”时，视觉用户期望AI能精准聚焦关键细节，推理而非模糊扫描全图。联合这种能力被称为细粒度视觉推理（Fine-grained Visual Reasoning），研究也即让AI在海量视觉信息中精准定位关键线索，不需标准而非进行笼统的整体理解。

然而，现有主流方法在实现这一能力时面临巨大瓶颈：
1. 有监督微调（SFT）：依赖海量带标准答案的图文数据，标注成本高昂，且易导致“灾难性遗忘”，即AI在学习新知识时遗忘原有能力。
2. 强化学习（RL）：虽灵活性高，但需预设奖惩规则，且训练过程消耗惊人（需数天GPU算力）。

针对上述局限，研究团队提出了核心问题：能否在不依赖大量标准答案标注、不耗费巨额计算资源的前提下，切实提升AI的视觉推理能力？答案即是本文主角——V-Zero框架。

一、核心机制：从“老师教学生”到“在线蒸馏”

理解V-Zero的关键在于其基础训练范式——在策略蒸馏（On-Policy Distillation, OPD）。

1. 传统范式 vs. OPD范式

• 有监督微调：如同让学生死记硬背范文，缺乏灵活性。
• 强化学习：如同布置题目后给予奖惩，规则设计复杂且资源消耗大。
• 在策略蒸馏（OPD）：学生先自行生成内容，老师针对学生实际生成的内容进行逐句指导。老师的反馈基于学生的真实思路，既精准又高效，且能保护学生原有能力不被破坏。

2. 理论本质：无负例的停梯度对齐

研究团队指出，OPD本质上是“无负例的停梯度对齐”：
* 停梯度：老师模型作为固定参照，不参与梯度更新，不受学生影响。
* 无负例：训练目标仅让学生向老师靠拢，没有明确的“反面案例”来指示错误路径。

这一特性虽保证了指导的针对性，但也埋下了隐患。

二、关键缺陷：缺乏“轨迹级”判别能力

回到写作类比：如果学生在第二段就偏离主题（如将“交通安全”写成“旅游攻略”），老师虽能逐句润色，却无法从宏观上纠正“方向性错误”。

这就是标准OPD的核心局限：缺乏轨迹级别的判别能力。在视觉推理中，若AI初始注意力未聚焦关键区域，后续推理即便流畅，最终结果仍可能错误，而老师模型难以指出“整条思路因看错地方而无效”。

V-Zero的设计正是为了填补这一漏洞。

三、创新方案：正负证据对比，量化推理质量

V-Zero通过引入“正面图”与“反面图”的对比机制，判断AI推理是否依赖了正确的视觉信息。

1. 三类视觉输入

每道题准备三种视觉输入：
1. 完整原图：学生模型生成推理的标准输入。
2. 正向证据视图：裁剪出与问题直接相关的区域（如路牌特写）。
3. 负向证据视图：将原图缩小后，从无关区域随机截取同等大小图片。

2. 对比证据门控（Contrastive Evidence Gating）

• 过程：学生基于原图生成推理，老师分别在“正向”和“负向”视觉条件下评估推理步骤的可信度。
• 判定：若老师在“正向证据”下的预测概率显著高于“负向证据”，说明推理依赖了正确视觉信息，质量高；反之则存疑。
• 兄弟推理：每道题生成多条并行推理链路（如8条），计算每条链路的证据差值并归一化，确定相对优势。

3. 加权蒸馏

• 高权重：证据优势高的链路获得更大权重，老师重点引导。
• 低权重：证据优势低的链路权重降低，防止错误积累。
• 学习目标：仅以“正向证据”老师为指引，负向视图仅用于打分，不参与最终学习。

优势：无需人工标注文字答案，仅需低成本的关键区域视觉标注（Bounding Box）。

四、训练流程：高效流水线

V-Zero的训练算法执行流程如下：

1. 数据采样：从数据集中取出一批题目，学生模型基于原图生成一组推理答案。
2. 证据生成：利用预存的关键区域生成正向证据，随机采样生成负向证据。
3. 分数计算：
4. 计算老师模型在正/负证据条件下对推理内容的词级预测概率差值。
5. 对整条链路求平均，得到“证据分数”。
6. 组内归一化得到“证据优势值”，经截断操作转化为0-2之间的非负权重。
7. 参数更新：以权重对正向蒸馏损失进行加权平均，通过梯度下降更新学生模型。
8. 迭代：重复上述过程，通常训练60步即可收敛。

推理阶段：学生模型仅接收完整原图和问题，无需任何额外操作或外部工具，所有“看局部”的能力已内化至模型参数中。

五、实验结果：性能与效率的双重突破

研究团队基于阿里巴巴Qwen3.5系列模型（学生：4B，教师：27B）在多个基准测试中评估V-Zero。

1. 性能提升

相比Qwen3.5-4B基础模型，V-Zero在以下测试集上显著提升：
* VStar：+4.7%
* HR-4K（4K图像理解）：+3.4%
* HR-8K（8K图像理解）：+2.5%
* ZoomBench（小目标定位）：+5.6%
* 平均分：从75.3提升至79.2（增幅>3%）

2. 对比SOTA方法

• vs. 强化学习方法（DeepEyes, Pixel Reasoner, Thyme等，7B参数）：V-Zero（4B参数）在HR-4K/HR-8K等测试中成绩均优于这些更大参数的RL优化模型。
• vs. 有监督微调方法（ZwZ，4B参数）：
• HR-4K：V-Zero (87.8) > ZwZ (82.1)
• HR-8K：V-Zero (82.6) > ZwZ (79.6)
• ZoomBench：V-Zero (57.8) > ZwZ (52.5)
• MMStar（泛化能力）：V-Zero (74.4) > ZwZ (71.1)，证明未牺牲通用理解能力。

3. 训练效率

• V-Zero：8块RTX PRO 6000显卡，耗时约4.8小时。
• ZwZ：8块H100显卡，耗时约1天。
• DeepEyes：耗时约2天。
• 结论：考虑到硬件算力差异，V-Zero比SFT快5倍以上，比RL快10倍以上。

六、消融实验：验证设计必要性

研究团队通过对照实验验证了V-Zero各组件的有效性：

1. 证据门控机制：
2. 去掉门控：平均分降至78.0。
3. 用随机证据替代：平均分大幅降至72.5（甚至低于无门控）。
4. 结论：有意义的正负对比至关重要，随机噪声会损害学习效果。
5. 教师模型规模：
6. 27B教师优于9B教师，尤其在HR-4K和ZoomBench上优势明显，证明高质量引导的重要性。
7. 并行推理链路数量：
8. 从4条增至8条，平均分从78.1提升至79.2，ZoomBench提升显著（54.1→57.7）。
9. 结论：更多链路提供更充分的对比依据，利于小目标定位。
10. 训练步数：
11. 第60步达到峰值（79.2），第70步略有下滑（77.8）。
12. 结论：不同子任务存在权衡，需寻找最佳训练时长。

七、可视化分析：AI真的“看对”了吗？

注意力可视化结果显示，V-Zero切实改变了模型的视觉聚焦方式：
* 海报文字识别：DeepEyes和ZwZ未能有效聚焦，V-Zero激活强度更高，定位更准确。
* 限速路牌识别：V-Zero在路牌区域产生最强注意力激活。
* 多目标定位（卡车与电车）：V-Zero是唯一能同时清晰定位两个目标的方法，其他方法往往顾此失彼。

八、总结与展望

V-Zero的核心贡献在于：仅凭“关键区域”这一视觉信号，无需文字答案，即可教会AI在视觉推理中“看对地方”。

实际价值

1. 降低标注成本：只需绘制关键区域边框，无需逐题撰写文字答案。
2. 保持通用能力：未出现“灾难性遗忘”，通用理解能力（MMStar）反而提升。
3. 极高训练效率：不到5小时完成训练，适合快速迭代。

局限性

1. 依赖视觉标注：仍需关键区域标注，完全无监督仍是开放问题。
2. 教师模型依赖：当前需27B教师模型，未来需探索更小教师模型的可行性。

感兴趣者可访问 arXiv:2606.25319查阅论文，代码及数据集将在GitHub公开。

---

Q&A

Q1：V-Zero训练时需要准备什么数据？
A：无需文字答案。仅需准备：原图、对应问题、以及标注关键区域的边框（Bounding Box）。系统会自动裁剪正向证据（关键区域）和负向证据（随机无关区域）。推理时仅使用原图。

Q2：V-Zero和强化学习方法相比优势在哪里？
A：
1. 速度：V-Zero约4.8小时，DeepEyes等RL方法需约2天，速度快10倍以上。
2. 规则设计：RL需预设复杂的对错规则，难以适用于开放性问题；V-Zero通过正负视觉对比自动评估推理质量，无需预设答案验证规则。

Q3：V-Zero提升视觉推理能力会不会影响模型的其他能力？
A：不会。实验显示，V-Zero在MMStar通用多模态测试中得分（74.4）高于基础模型（71.8），表明视觉推理能力的提升伴随通用理解能力的改善，未出现“灾难性遗忘”。