视觉 grounding

多模态大模型自蒸馏面临目标信息量不足的难题。VCSD 通过对比原始图像与内容擦除控制图像下的教师预测分布，构建无需外部监督的自蒸馏目标。实验表明，该方法在多个基准测试中显著提升模型性能，且无需额外推理成本。注意：该方法需要生成擦除控制图像下的响应，训练成本增加。