南京大学与中科院自动化所提出 Reframe 框架，视觉智能体观察状态对齐超越 Mix-RL 与 MOPD

南京大学与中科院自动化所提出 Reframe 两阶段后训练框架，将视觉智能体的“观察状态”作为对齐对象，改善工具调用正确但观察错误的问题。其先以 GD-GRPO 训练时空专家，再通过观察门控在线策略蒸馏学习多教师策略；作者称该框架在图像与视频 benchmark 上均优于 Mix-RL 和原版 MOPD，论文已挂 arXiv（cs.CV）。