该框图主要分为三个部分：A训练主链路展示了从预训练多模态模型（视觉+问题+答案候选）出发，先经历离线强化训练（利用偏好样本进行低成本热启动），再进入在线强化精修（在线采样和相对优势更新），最后进行模型验证的完整流程；B双阶段作用机制与强基线解释了“先离线，再在线”的检验作用，离线阶段侧重偏好对齐，固定经验样本，不依赖实时大量采样，目标是加速收敛并稳定初始策略，在线阶段侧重策略探索，随模型更新生成新响应，目标是突破离线数据的性能天花板，同时设置了对照实验，比较了SFT（普通监督微调）、MPO（仅离线）、GSPO（仅在线）以及MPO→GSPO（离线→在线级联）；C原文可核对的4B模型实例通过柱状图展示了相同响应数量附近“得分-GPU小时”的对比结果，数据显示MPO→GSPO级联方案在得分（72.2）上略高于仅在线GSPO（72.0），且远高于仅离线MPO（70.8），在算力成本（GPU-h）上，级联方案仅需68.3，显著低于仅在线GSPO的168.6，实现了性能与成本的更优平衡，底部注明结果仅为原文表3的一种设置，勿外推所有模型。