視覚的対照自己蒸留

要旨

オン方策自己蒸留（OPSD）は、オン方策蒸留（OPD）で必要とされる外部教師を排除できる点で有望であるが、それでも教師と生徒の間の非対称な情報が必要であり、自己教師が生徒よりも強力な学習信号を提供することを保証する。既存手法は、この非対称性を特権的な解答または視覚的根拠のいずれかによって作り出している。本研究では、その両方を排除し、純粋に入力条件付けによって駆動されるより単純な形式のOPSDが実現可能かどうかを問う。この目的のために、我々はVisual Contrastive Self-Distillation（VCSD）を提案する。これは画像コンテンツの除去をオン方策自己蒸留信号に変換するものである。生徒が生成した各応答プレフィックスにおいて、EMA教師は同一のプロンプトとプレフィックスに基づいて2つの次トークン分布を生成する。一方は元の画像を条件とし、他方はコンテンツを消去した制御画像を条件とする。それらのトークン単位の対数確率の差は、インスタンスレベルの視覚コンテンツによって尤度が特異的に増加する候補を強調する。我々はこの対比を用いて、教師の元画像分布をその妥当なサポート内で鮮明化し、結果として得られる完全分布目標を生徒に蒸留する。ViRL39Kデータセットを用いた実験において、VCSDはQwen3-VLおよびQwen3.5モデルにおいて、対応するOPSDを一貫して上回る。例えば、Qwen3-VLでは、7ベンチマーク集計値が2Bで62.27%から67.04%、4Bで71.30%から73.16%、8Bで72.51%から76.26%へと改善された。さらに、VCSDは外部教師、特権的な解答、視覚的根拠信号、推論トレース、あるいは追加の推論時計算コストを一切必要としない。

English

On-policy self-distillation (OPSD) is promising as it removes the external teacher required by on-policy distillation (OPD), yet it still needs asymmetric information between teacher and student to ensure that the self-teacher provides a stronger learning signal than the student. Existing methods create this asymmetry either through privileged answers or visual evidence. We ask whether both can be removed, yielding a simpler form of OPSD driven purely by input conditioning. For this purpose, we propose Visual Contrastive Self-Distillation, namely VCSD, which converts image-content removal into an on-policy self-distillation signal. At each student-generated response prefix, the EMA teacher produces two next-token distributions under the same prompt and prefix -- one conditioned on the original image and the other on a content-erased control. Their token-wise log-probability difference highlights candidates whose likelihood is specifically increased by the instance-level visual content. We use this contrast to sharpen the teacher's original-image distribution within its plausible support, and distill the resulting full-distribution target into the student. Using ViRL39K dataset, VCSD consistently outperforms matched OPSD across Qwen3-VL and Qwen3.5 models. For example, on Qwen3-VL, it improves the seven-benchmark aggregate from 62.27% rightarrow 67.04% at 2B, 71.30% rightarrow 73.16% at 4B, and 72.51% rightarrow 76.26% at 8B. Furthermore, VCSD requires no external teacher, privileged answers, visual evidence signals, reasoning traces, or additional inference-time cost.