PhysOPSD把可执行仿真代码作为特权上下文，用于视频生成的在策略自蒸馏：同一模型的学生只看到文本，教师额外看到仿真渲染出的物理草稿，从而在不改变推理接口的前提下学会物理上合理的运动。在UniVideo（13B）与OmniWeaving（8.3B）两个骨干上，它用3K样本训练，在VideoPhy-2总体分和PhyGround上均高于用80K数据的监督微调与用21K数据的离线强化学习基线，同时VBench通用质量保持或略有提升。
视频推理的正确答案常取决于少数几个视觉关键位置，而GRPO一类后训练方法给整条推理轨迹打一个粗粒度分数，还要多次采样或外部裁判。VIOS改为让模型自己审计视觉依赖：比较带视频与不带视频时下一词分布的差异，得到学生与答案特权教师之间的逐词依赖差，把监督集中到学生低估视觉证据的位置。在12项视频理解基准上，Qwen2.5-VL-7B-SFT平均分从46.35升到49.95，InternVL2.5-4B与InternVL2.5-8B分别提升4.63和3.93分，且只需单次在线采样、无外部奖励或裁判。
在线自蒸馏让同一个模型在只给题目时当学生、在附上参考解答时当教师，但参考解答会让教师给出又短又依赖答案的推理，学生学不到探索与自我纠错。TeachBack 把参考推理的末尾一段当作可选工作笔记注入教师提示，并同时优化两个方向的偏好：教师轨迹在只给题目的条件下应优于学生轨迹，学生轨迹在带特权信息的条件下反过来塑造教师。在 Qwen3-1.7B、4B、8B 上，数学平均分相对基座分别提高 4.3、2.2、2.5 分，骑士与无赖逻辑题平均分分别提高 6.1、3.9、7.5 分。
在49部真实电影及其预告片构建的四类剪辑任务上，同一套GRPO训练里，把LLM评判的回合级过程奖励权重衰减到零，使Fine Cut任务相对仅用结果奖励的GRPO取得45.4%的相对提升，而固定权重版本在三个较短任务上低于仅结果奖励，并出现44.1%的回合被截断。过程奖励早期确实鼓励了看图与推理，但持续优化会让智能体反复调用工具而不提交成品；令牌级的在线自蒸馏则对教师可见的特权信息高度敏感。
图像事实性评估不再只问画面是否由AI生成，EviScene让多模态智能体边查边改问题，在1527张测试图上把平衡准确率提到79.05%，证据充分率52.26%。
两项自蒸馏方法在代码、科学推理、工具使用和数学任务上的增益，换到没见过的题目就消失或转为下降，数学上的提升主要来自把思考模式搬进非思考模式，而不是用了参考答案这类特权信息。
LoOPSD 不改权重、只让同一模型重复执行一段中间层来造出更强的自教师，再把它的预测蒸馏回标准路径的学生；GSM8K 上 Qwen3-1.7B 在 400 token 思考预算下从 42.30% 升到 79.61%。
视觉语言模型的空间推理弱在输入：RGB图像不直接给出几何证据，而现有做法要么在推理时接入3D、付出架构与延迟代价，要么只用最终答案做奖励，无法纠正推理链中判错的深度或方向。GPD把深度、语义分割和鸟瞰布局渲染成紧凑文本，按问题路由后只交给教师模型，配合参考答案对错误轨迹施加特权KL，与GRPO联合训练，部署模型仍只吃RGB。在4B骨干上，VSI-Bench达到57.1，MindCube、SPAR-Bench、MMSI-Bench与ViewSpatial四榜均值37.6，高于GRPO与仅用答案作特权的OPSD。
多模态大模型常把藏在图像粗结构里的文字读成“图中无文字”，而人眯眼就能认出；一种只用原图推理的训练方法把这类文字的读取分数从26.50提高到88.61。
作者提出 SpatialOPSD，一种在线策略自蒸馏框架，把空间编码智能体经真值验证的执行轨迹作为特权信息，让同一初始化的教师模型在训练时看到轨迹、学生只看到原始图像，并用重复感知蒸馏（重复掩码加不可似然正则）抑制逐字复制；在 MindCube-Tiny 与 ViewSpatial 上，9B 学生平均准确率从 45.9 提升到 51.9，高于 SFT 的 47.6 与 GRPO 的 48.2，并在无工具单次前向中保留其工具教师 SpatialClaw 57.3 的约 91%。