VICO treina VLMs com imagens reescritas: até +5,0% em tarefas novas

A equipe por trás do preprint arXiv 2610.10782 propôs o VICO, um esquema de pós-treinamento de modelos vision-language em que um “reescritor” do ambiente é treinado junto com o próprio modelo. Em nove benchmarks multimodais de raciocínio matemático e de raciocínio visualmente fundamentado, o VICO-8B supera o modelo-base em até +5,0% em tarefas fora do domínio. Ele passa os baselines de autoevolução mais fortes em 4,3% e os baselines com edição textual de tarefas em 8,4%. Frente aos métodos RLVR especializados em gráficos, mantém desempenho comparável, mas usa de 16 a 160 vezes menos exemplos anotados.

O problema de partida é conhecido de quem já rodou RLVR (aprendizado por reforço com recompensas verificáveis). O conjunto de tarefas é fixo, mas o modelo evolui. Parte dos exemplos se torna trivial, outra parte continua sem solução, e o sinal útil de treinamento se esgota. O remédio clássico é comprar mais anotação ou montar dados novos à mão. Os autores propõem outro caminho: mudar o ambiente conforme o ator evolui.

Como o VICO funciona

O ciclo tem dois componentes treináveis. O primeiro é o ator, ou seja, a própria VLM. O segundo é o Environment-as-Rewriter (EnvRewriter). Ele não mexe diretamente nos pixels. Em vez disso, edita as estruturas verificáveis que dão origem à imagem: grafos de cena, tabelas de dados por trás dos gráficos, máscaras de regiões protegidas. Depois, a imagem é redesenhada do zero.

Assim, a resposta continua válida por construção. Se um valor da tabela do gráfico muda, a resposta correta é recalculada a partir da mesma tabela, sem necessidade de um humano. A recompensa do EnvRewriter é calculada pela taxa de acerto do ator (pass rate): o editor é premiado por tarefas que ficam no limite das capacidades atuais do modelo, ou seja, que não são nem fáceis demais nem impossíveis. A dificuldade é puxada continuamente para o nível do ator.

É isso que separa o VICO das duas abordagens vizinhas com as quais os autores se comparam. Os métodos de autoevolução desenvolvem o modelo com seus próprios dados. A coevolução por edição textual altera as formulações, enquanto o VICO reconstrói o lado visual da tarefa.

O que os números mostram

O resumo do artigo informa o seguinte:

• 9 benchmarks multimodais: raciocínio matemático e compreensão visualmente fundamentada;
• o VICO-8B supera o modelo-base em até +5,0% em tarefas out-of-domain;
• +4,3% sobre o baseline de self-evolution mais forte;
• +8,4% sobre o baseline com coevolução textual;
• paridade com métodos RLVR especializados em gráficos, usando de 16 a 160 vezes menos amostras anotadas;
• nenhuma anotação humana adicional é usada no ciclo.

As ressalvas são evidentes. Trata-se de um preprint sem verificação independente, e o “até +5,0%” indica o máximo entre os benchmarks, não o ganho médio. O resumo não nomeia o modelo-base e não diz nada sobre o custo computacional de treinar dois componentes em conjunto. A faixa de “16 a 160 vezes” também mostra que a economia em anotação depende muito do concorrente escolhido.

O que as equipes podem testar

A ideia central vale além do artigo: se você tem dados com uma fonte estrutural primária (tabelas por trás de gráficos, cenas, diagramas, anotações de regiões), é possível construir sobre eles um gerador de tarefas com respostas garantidamente corretas. Em vez de um dataset pontual, você passa a ter um ambiente controlável.

O mínimo prático é este. Primeiro, é preciso medir a distribuição de pass rate nos exemplos de treino. Se a maior parte das tarefas fica perto de 0 ou perto de 1, o RLVR estático já bateu no teto. Em seguida, vale escolher uma classe restrita de dados com estrutura verificável, como gráficos, e testar um editor que mantenha a dificuldade na “janela de trabalho” de acertos. Por fim, o resultado deve ser avaliado em conjuntos out-of-domain, já que é ali que os autores registram o ganho principal.

A limitação também é clara. A abordagem exige imagens que possam ser redesenhadas fielmente a partir da estrutura. Para fotografias arbitrárias, sem grafo de cena ou tabela, esse caminho está fechado, e não está claro até que ponto o VICO escala para outros tipos de tarefas visuais.