멀티모달 온폴리시 증류 (Multimodal on-policy distillation, OPD)는 특권적 시야 (privileged-view)를 가진 교사 모델 (teacher)을 사용하여 학생 모델 (student)이 생성한 궤적 (trajectories)을 감독함으로써 미세한 시각적 지식을 전달합니다. 그러나 이 과정에서의 다음 토큰 수정 (next-token corrections)은 시각적 신호가 언어적 사전 지식 (linguistic priors) 및 교사 특유의 효과와 결합되어 출처가 혼재 (source-mixed)되어 있습니다. 핵심 과제는 단순히 어디에서 또는 얼마나 강력하게 증류할 것인가가 아니라, 어떤 수정이 시각적 증거 (visual evidence)에 의해 뒷받침되는지를 추정하는 것입니다. 우리는 교사의 수정 사항 중 시각적으로 귀속 가능한 부분을 추정하는 반사실적 타겟 재구성 (counterfactual target-reconstruction) 알고리즘인 시각적 귀속 증류 (Visual Attribution Distillation, VAD)를 소개합니다. 학생이 생성한 각 접두사 (prefix)에서, VAD는 관련 증거가 존재하는 경우와 제거된 경우에 대해 동일한 고정된 교사를 평가합니다. 중심 로그 확률 (centered log-probabilities)의 상응하는 변화는 $u_t$를 정의하며, 이는 증거가 후보 토큰을 얼마나 드러내거나 부정하는지를 추정하는 시각적 증거 방향에 대한 부호가 있는 프록시 (signed proxy) 역할을 합니다. VAD는 원래의 수정을 이 프록시에 투영하여 개입 정렬 성분 (intervention-aligned component)과 프록시로 설명되지 않는 잔차 (proxy-unexplained residual)를 얻은 다음, 전자를 통해 학생에게 고정된 타겟 (student-anchored target)을 재구성합니다. 학습 과정에서 이 재구성된 타겟은 주요 감독 신호를 제공하며, 특권적 교사는 약한 정규화 항 (weak regularizer)으로 기여합니다. 4B 및 9B 규모의 6개 미세 시각적 벤치마크에서 VAD는 직접적인 특권적 시야 증류 (direct privileged-view distillation) 및 시각적 이점 가중치 부여 (visual-advantage weighting) 방식보다 뛰어난 성능을 보입니다. 토큰 수준 및 제어된 타겟 분석 결과, 프록시 정렬 성분은 작업 관련 시각적 수정 사항이 풍부하게 포함되어 있으며, 특히 증거가 잘못된 답을 부정할 때 더 강력한 타겟 변화를 유도함을 보여줍니다. 이러한 결과는 반사실적 타겟 재구성이 출처가 혼재된 감독 (source-mixed supervision)에 대한 효과적인 대안임을 뒷받침합니다.