南大 Reframe 框架对齐视觉智能体观察状态，超越 Mix-RL 与原版 MOPD

NJU · hf · 2026-11-10

南京大学与中科院自动化所提出 Reframe，一个面向智能体视觉推理的两阶段后训练框架。核心思路是把「观察状态」而非仅输出分布作为对齐对象：先通过 Ground-Drop-GRPO（GD-GRPO）用证据感知奖励训练时空专家，缓解工具使用中「调对了工具但基于错误观察」的问题；再用观察门控的在线策略蒸馏从多教师蒸馏策略。作者称在图像与视频 benchmark 上均优于 Mix-RL 与原版 MOPD。论文已挂 arXiv（cs.CV）。