多模态大语言模型（MLLM）有时会漏掉图像中粗糙结构内的文字——人眼只需眯眼即可辨认，却被模型报告为不存在。我们将此类现象称为 Squint Text 并将其视为识别缺陷进行研究，灵感来源于实际内容审核流水线中的案例。为此我们构建了 SquintBench（1076 张来源于生产环境的审核图片）和 SquintCtrl（可控合成数据集，用于机制诊断）。
冻结权重分析表明，隐藏文字仍留下粗糙信号，但字形身份的表征非常弱；当提供正确的空间区域时，身份信息显著提升，说明空间选择是主要瓶颈。抑制高频成分同样能在固定的视觉 token 预算下提升阅读效果，视觉 token 数量本身也可能起作用。
基于此我们提出 Squint OPSD：冻结的教师模型接收下采样视图并以真实转录作为特权上下文，其 token 级分布在 on‑policy 轨迹上监督学生模型。推理时，学生仅使用原始图像。实验在 SquintBench 上取得 88.61 ANLS，远超未适配骨干的 26.50、最佳通用模型在原始视图的 24.44，以及离线模型在下采样视图的最高 68.60，显著缩小了可视证据与生成读出之间的差距。
点评：该工作揭示了空间选择和频率信息在细小文字识别中的关键作用，并提供了无需额外视图的高效微调方案。