Vision-OPD：通过在线策略自蒸馏让多模态大语言模型学会看清细节

多模态大语言模型在细粒度视觉理解上仍面临挑战，往往难以从全图中聚焦关键证据。本文发现“区域到全局”的感知差距：基于局部裁剪的模型表现优于全图输入。据此提出 Vision-OPD，一种区域到全局的自蒸馏框架，将模型自身的特权区域感知迁移至全图策略。该方法无需外部教师、真值标签或推理时工具，仅在 token 级别最小化师生分布差异。实验表明，其在多个基准上媲美或超越更大规模的开源及闭源模型。