小而辅助：面向低视力用户的空间感知后训练模型

全球约10亿视障人士面临现有视觉语言模型描述过于笼统、难以安全导航的问题。研究者提出 Smol-VL-BLV，一个500M解码器规模的紧凑VLM，通过教师-学生蒸馏与带复合BLV奖励的GRPO两阶段后训练，并在GRPO后再加轻量微调以缓解灾难性遗忘。相比基线，空间得分提升19.3%，社交得分提升14.8%，OCR-Bench提升101.5%，TextVQA准确率提升44.2%，并经混合精度量化部署于中端Android手机。

此前高质量符合音频描述规范的叙述只能由大型VLM生成，却无法在手机端运行；小型VLM延迟可接受但缺乏空间细节、方向提示与危险感知。该工作在小模型上同时改善了空间定位与通用视觉文本推理，说明辅助导航能力不必依赖云端大模型。

机制上先用教师-学生蒸馏把大模型能力迁移到500M小模型，再用GRPO配合覆盖方向性语言、米制距离和危险检测的复合奖励做强化学习；由于多阶段后训练会导致灾难性遗忘，最后追加轻量微调以恢复通用描述质量，同时保留BLV相关的空间 grounding，再通过混合精度量化落地移动端。

对无障碍导航类产品，可在中端Android手机上本地运行，减少对云端大模型的依赖，降低延迟与隐私风险，并让方向提示、距离估计和危险预警成为可交付功能；研发上需要引入带复合奖励的强化学习后训练流程和遗忘缓解环节，增加训练管线复杂度但可压缩推理成本。

• 在导航或出行类App中集成端侧BLV模型，优先输出方向词、米制距离与危险提示，替代笼统的场景描述。
• 针对OCR与TextVQA提升明显的场景，开发读路牌、菜单、标签的实时朗读功能，作为差异化卖点。
• 建立面向BLV用户的空间描述评测集，把空间得分、社交得分和危险检测纳入版本回归指标。
• 与手机厂商合作验证混合精度量化模型在中端机型的延迟与耗电表现，形成可复用的端侧部署方案。

• 证据在部署描述处被截断，模型在中端Android手机上的实际延迟、帧率与功耗数据尚不明确。
• 复合奖励中各组成部分的权重、训练数据来源与标注方式未在证据中说明。
• 空间得分、社交得分等基准的具体定义与评测人群构成未知。
• 缺乏真实视障用户参与的可用性与安全导航验证结果。