AIGC 每日速读|2026-05-14|视频扩散从少步到任意步AnyFlow 今日 AIGC 论文速览 今日共 6 篇 · 视频扩散与推理加速 2 篇 · 图像生成与表征 2 篇 · 图像编辑与对齐评测 1 篇 · RL 后训练方法论 1 篇 · 重点 1 篇深度解读 重点论文标题列表 AnyFlow AsymFlow：rank-asymmetric Qwen-Image-VAE-2.0：高压缩 VAE 套件 Edit-Compass：EditReward-Compass Orthrus：双视图框架 重点论文深度解读 1. AnyFlow 首个任意步数视频扩散蒸馏框架——把 ODE 轨迹一次喂给学生 | 新加坡国立大学 Show Lab, MIT, NVIDIA | arXiv:2605.13724 关键词： 视频扩散, Flow Map, On-Policy 蒸馏, Any-Step, 推理加速 研究动机 核心问题： 少步视频扩散一致性蒸馏在采样步数增加时反而退化，无法服务「任意步数」推理需求 近一年的少步视频生成几乎被一致性蒸馏（Consistency Distillation, CD）统治，4-8 步即可出图，但只要把采样步数从 4 加到 16/32，画质反而会塌——这与扩散模型「采样步数越多质量越好」的常识相悖。原因在于 CD 用一致性轨迹替换了原始的 PF-ODE 轨迹，破坏了 ODE 采样在测试时的可扩展行为，使得模型无法真正服务「任意步数」推理需求。如何让一个学生模型同时在 1 步、4 步和 32 步下都给出与教师匹配甚至更好的视频，成为视频扩散落地（实时预览 vs. 高质量出片）的关键瓶颈。 前序工作及局限： Consistency Models (CM)：端点一致性映射 z_t→z_0，固定步数下加速但破坏 ODE scaling LCM/PCM：把 CM 用到大规模视频/图像扩散，少步效果好但 8 步以上不再提升 Shortcut Models：学习区间跳跃但仍以 off-policy 数据训练，存在 exposure bias 与前序工作的本质区别： AnyFlow 把蒸馏目标从端点一致性映射升级为任意区间的 flow map 过渡，并通过 Flow Map Backward Simulation 用 on-policy rollout 替代 off-policy 配对，是少步视频蒸馏中第一个真正在策略上做的方案 方法原理 提出 AnyFlow——首个基于 flow map 的任意步数视频扩散蒸馏框架。三个核心改造：(1) 把蒸馏目标从端点一致性映射 z_t→z_0 改为流图过渡学习 z_t→z_r，让学生学会任意时间区间 [t,r] 的跳跃，从而原生支持任意步数采样；(2) 提出 Flow Map Backward Simulation（FMBS），将完整的 Euler rollout 分解为多段 shortcut flow-map 过渡，在 on-policy 数据上蒸馏，缓解少步采样的离散化误差和因果生成的 exposure bias；(3) 在 1.3B 到 14B 的双向与因果架构上统一适用，无需修改教师网络结构，仅靠新的训练目标即可获得「步数越多越好」的良性 scaling 行为。 核心创新 首次系统指出 consistency distillation 的「步数缩放悖论」，并把蒸馏目标从端点一致性升级到任意区间的 flow map；Flow Map Backward Simulation 用 on-policy rollout 取代 off-policy 配对，是少步视频蒸馏中第一个真正在策略上做的方案；覆盖 1.3B/14B、双向/因果两类主流视频扩散架构，证明该范式具备普适性，给少步视频生成提供了一条新范式。 实验结果 在双向 DiT 视频扩散和因果视频扩散两类骨干上，AnyFlow 在 1B-14B 的全规模区间一致达到或超越基于 consistency 的少步蒸馏方法；当采样步数从 4 提升到 16、32 时，性能不再退化，反而随预算单调上升，重新恢复了 ODE 采样的 test-time scaling 优势。在 14B 视频模型上，少步生成质量直追教师全步，表现出明显的「随计算预算增长」良性曲线。 批判性点评 新颖性： 把蒸馏目标从端点一致性升级到 flow map 过渡是范式级创新，FMBS 的 on-policy 反向模拟在视频域是首次系统化提出，相比同期 shortcut 类工作在策略性上更彻底 可复现性： 训练需要 1B-14B 量级视频扩散教师 + 大规模 on-policy rollout，复现门槛在数据与算力两端都不低；好在不改网络结构，仅蒸馏目标与训练流程不同，工程上易接入现有 DiT 视频扩散框架 影响力： 为「少步视频扩散」打开任意步数推理的天花板，预计将影响下一代实时视频生成、可交互世界模型等高频推理场景的标准训练流程 深度点评： 从端点一致性到任意区间流图 — AnyFlow 的核心洞察是：少步视频扩散之所以「步数越多越糟」，本质是因为一致性蒸馏把原本服从 ODE 轨迹的预测压成了端点映射，破坏了 test-time scaling。把目标改成 z_t→z_r 的任意区间过渡 + on-policy 反向模拟，等于把 ODE 轨迹完整地交还给学生——这一调整看似只是损失函数的变更，背后却是对「蒸馏究竟该学什么」的根本反思。 技术演进定位： 处于「少步视频扩散」从一致性蒸馏到流图蒸馏的范式转变前沿，是任意步数视频生成的代表性方法 可能的后续方向： 有望推动统一的「任意步数 + 任意架构」视频扩散蒸馏标准，未来与因果视频生成、世界模型结合后可支撑实时交互式视频内容创作 其余论文速览 1. AsymFlow：rank-asymmetric Asymmetric Flow Models | Stanford, ETH | arXiv:2605.12964 关键词：Flow Matching·像素扩散·非对称参数化·FLUX.2·文生图 前序问题：高维像素空间下做 flow matching 速度预测时，模型需要建模与图像同维的高维噪声，即使数据本身有强低秩结构也只能用满秩参数化硬扛，导致像素扩散模型与潜空间模型之间长期存在显著质量差距 本文贡献：提出 AsymFlow：rank-asymmetric 的速度参数化——噪声预测限制在低秩子空间，数据预测保持满维，不改网络结构与训练/采样流程即可解析恢复完整速度；并首次给出潜空间预训练模型→像素空间微调的可行路径，让 FLUX.2 klein 9B 的潜空间先验能直接初始化像素生成 实验效果：ImageNet 256×256 取得 1.57 FID，大幅超越同类 DiT/JiT 像素扩散；从 FLUX.2 klein 9B 微调出的像素文生图模型在 HPSv3、DPG-Bench、GenEval 上全面超越其潜空间基模，主观真实感显著提升 批判点评：rank-asymmetric 的视角直击像素扩散的本质瓶颈，无侵入式参数化是工程上的甜点；但低秩子空间的秩选择、与 FLUX.2 这种顶级模型的耦合是否过强，跨数据集泛化能力还需更大规模验证 2. Qwen-Image-VAE-2.0：高压缩 VAE 套件 Qwen-Image-VAE-2.0 Technical Report | Alibaba Qwen Team | arXiv:2605.13565 关键词：图像 VAE·高压缩·文本渲染·扩散兼容·视觉分词器 前序问题：高压缩比 VAE 在重建保真度和 diffusability 之间长期难以兼得——压得越狠下游 DiT 越难训，文本密集场景（文档、海报）的字符更是首当其冲糊掉 本文贡献：提出 Qwen-Image-VAE-2.0 高压缩 VAE 套件：架构上引入 Global Skip Connections 与扩展潜空间通道；训练上用十亿级图像 + 合成渲染引擎专项强化文本场景；潜空间用增强的语义对齐策略让其更适合扩散建模；编解码器采用非对称 + attention-free 主干降低编码开销 实验效果：在公开重建基准上达到 SOTA；提出 OmniDoc-TokenBench 文档专项评测，在高压缩比下兼顾通用与文本场景；下游 DiT 实验显示其 diffusability 显著优于现有高压缩基线，收敛速度明显加快 批判点评：把 VAE 当成一个独立产品来打磨——文档专项 benchmark + 文本渲染合成数据是务实的工程亮点；但相对其他高压缩 VAE 的提升幅度需要等论文公开数值后比较，「diffusability」的量化定义也仍偏经验 3. Edit-Compass：EditReward-Compass Edit-Compass & EditReward-Compass: A Unified Benchmark for Image Editing and Reward Modeling | 字节跳动 Doubao Team 等 | arXiv:2605.13062 关键词：图像编辑·Reward Model·多维评测·RL 对齐·Benchmark 前序问题：现有图像编辑 benchmark 难度不足、评测维度粗放，已无法区分前沿模型；与此同时图像编辑 RL 越来越依赖 reward model，但 reward model 评测仍停留在脱离实际 RL 场景的设定上，导致编辑模型与 reward model 都缺少可靠裁判 本文贡献：提出 Edit-Compass + EditReward-Compass 统一评测套件：前者含 2,388 条精标实例，覆盖世界知识推理、视觉推理、多图编辑等六级递进任务，采用结构化推理 + 细粒度 rubric 多维评分；后者含 2,251 对偏好对，模拟真实 RL 优化中的 reward 场景，让 reward model 评测首次贴合实战 实验效果：为前沿编辑模型提供了能拉开差距的多维难度梯度，配套的 reward model 评测能反映 RL 训练里 reward model 的真实表现，为后续编辑模型与 reward model 的迭代提供统一坐标系 批判点评：把「编辑能力」和「reward model 能力」两条评测线收编进同一套 benchmark 是踏实的基础工作；2,251 对偏好对的标注一致性、reward 评测对真实 RL 收益的预测力，是这类工作走向社区共识的关键门槛 4. Orthrus：双视图框架 Orthrus: Memory-Efficient Parallel Token Generation via Dual-View Diffusion | Adobe Research, University of Oregon | arXiv:2605.12825 关键词：并行解码·扩散语言模型·KV Cache·推理加速·双视图 前序问题：自回归 LLM 生成保真度高但串行解码慢，扩散语言模型可并行却质量退化、训练贵、收敛缺乏严格保证——视觉/多模态 token 生成场景同样面临「快」与「准」难以兼得 本文贡献：提出 Orthrus 双视图框架：在冻结的 AR LLM 上挂载一个轻量可训练扩散并行视图，两视图共用同一份高保真 KV Cache——AR 头负责 prefill 构建准确表征，扩散头负责并行解码；通过两视图共识机制保证无损推理，把扩散并行解码移植到 Transformer 几乎零侵入 实验效果：在保证完全等价生成（lossless）的前提下，相比纯自回归提供最高 7.8x 加速，KV Cache 内存仅增加 O(1)，参数增量极小；为视觉/多模态自回归 token 生成提供了直接可用的并行加速路线 批判点评：把扩散当成 AR 的「并行外设」而不是替代品，借共识机制保留 AR 保真度，工程上很优雅；但 7.8x 加速属于上限值，真实任务下并行步内的拒绝率与吞吐曲线值得进一步给出，扩散头训练成本也未充分披露 5. Beyond-GRPO：奖励分配原则 Beyond GRPO and On-Policy Distillation: An Empirical Sparse-to-Dense Reward Principle for Language-Model Post-Training | Meta | arXiv:2605.12483 关键词：LLM 后训练·GRPO·On-Policy 蒸馏·奖励密度·稀疏到稠密 前序问题：在「可验证标注极其稀缺」的后训练场景下，主流做法（在部署模型本身上跑 GRPO）忽视了一个奖励密度原则：稀疏的序列级奖励应该用在能产生有效探索的强模型上，而稠密的 token 级奖励才适合把行为压缩进小模型——这一直觉对生成模型的 RL 对齐同样关键 本文贡献：提出 Sparse-to-Dense 奖励分配原则：把宝贵的可验证数据先「上游」给强 teacher 跑 GRPO 做探索，再以稠密蒸馏的形式「下游」灌给小学生，最后在学生侧再补一段稀疏 RL；具体配方为 forward-KL warmup → OPD on-policy → 学生侧 GRPO 的三段桥 实验效果：在 Qwen3-1.7B 学生固定的前提下，先在 8B teacher 上 RL 再蒸馏，全面优于直接在学生上 GRPO；学生侧后续 GRPO 把 MATH 从 75.4% 提升到 78.5%，比 replay baseline 高 2.8 分，AIME 端点也最强 批判点评：「奖励密度」的视角让 GRPO 与 OPD 不再对立而成同一光谱的两端，对资源紧张团队的实践指导价值很高；但结论建立在数学这一可验证任务上，对图像/多模态生成等弱验证任务能否平移仍待验证 趋势观察 视频扩散从「少步」走向「任意步」 — AnyFlow 把蒸馏目标从端点一致性升级到任意区间的 flow map，叠加 on-policy 反向模拟，让一个学生模型在 1/4/16/32 步上都呈现良性 scaling——少步视频生成第一次有了真正的「test-time 预算自由度」 像素扩散借势潜空间预训练 — AsymFlow 用 rank-asymmetric 速度参数化把高维噪声预测限制在低秩子空间，并首次跑通了「FLUX.2 klein 9B 潜空间→像素空间」的微调路径——像素扩散与潜空间扩散开始走向「初始化共享、后期分化」的新协作方式 VAE 不再是配角，而是产品 — Qwen-Image-VAE-2.0 把高压缩 VAE 当作独立产品打磨：Global Skip Connections + 扩展通道 + 文档专项 benchmark，承认了「VAE 决定 DiT 上限」的事实，VAE 进入「文本可读、扩散友好、推理便宜」的三维竞赛 编辑模型与 reward model 同台同尺 — Edit-Compass 把「图像编辑能力」和「reward model 能力」并入同一评测套件，并把 reward model 评测从脱节场景改造成贴合 RL 实战的偏好对——前沿编辑模型的 RL 对齐第一次有了配套的统一坐标系 稀疏-稠密奖励分配成为后训练新共识 — Beyond-GRPO 给出一条简单规则：稀缺可验证数据先在强 teacher 上做稀疏 RL，再以稠密蒸馏下沉到小学生，最后学生侧补稀疏 RL；这一原则同样适用于多模态生成模型的 reward 分配，正在成为下一代 alignment pipeline 的骨架 今日讨论 AnyFlow 实现了「首个任意步数视频扩散蒸馏框架——把 ODE 轨迹一次喂给学生」。你认为这种方法在实际项目中的落地价值有多大？欢迎在评论区分享你的看法！ 人工智能炼丹君 整理 | 2026-05-14 更多 AIGC 论文解读，关注微信公众号「人工智能炼丹君」 每日更新 · 论文精选 · 深度解读 · 技术脉络 微信搜索 人工智能炼丹君 或扫描下方二维码关注

AIGC 每日速读|2026-05-13|INSET图像即词汇开启统一视觉生成新范式 今日 AIGC 论文速览 今日共 10 篇 · 统一视觉生成与编辑 3 篇 · 视频生成与叙事 2 篇 · 视觉分词与表征 2 篇 · 视频理解与推理 1 篇 · Agent 与训练方法论 2 篇 · 重点 1 篇深度解读 重点论文标题列表 INSET Qwen-Image-2.0：全能图像生成基础模型 DRoRAE：轻量级融合模块通过能量约束路由和增量 CausalCine：交互式自回归框架 ELF：在连续嵌入空间中基于连续时间 重点论文深度解读 1. INSET 图像即词汇：交错指令的统一视觉生成 | MIT, ETH | arXiv:2605.12305 关键词： 交错指令, 统一视觉生成, 图像词汇化, 多图一致性, 数据引擎 研究动机 核心问题： 多模态生成模型在处理复杂交错指令时，图像与文本的结构性分离导致必须跨越长距离依赖才能正确匹配描述与视觉目标 现有多模态语言模型虽已支持从多图指令生成图像，但在处理复杂交错（interleaved）指令时性能急剧下降。根本原因在于当前范式中图像和文本的结构性分离——模型需要跨越困难的长距离依赖才能将描述与视觉目标正确匹配，导致多图一致性和精确绑定失败。 前序工作及局限： LLaVA-Next：仅支持理解不支持生成，图文分离架构无法处理交错指令 SEED-X：虽统一生成理解但在复杂交错指令下多图一致性急剧下降 Emu3：原生多模态但图像作为独立序列段，仍需跨越长距离依赖 Transfusion：融合训练策略中图像和文本结构性分离，绑定精度受限 与前序工作的本质区别： INSET 将图像提升为文本指令中的一等词汇——直接在语义槽位嵌入视觉特征，利用 Transformer 的上下文局部性替代长距离依赖实现精确绑定，而非独立编码后做跨模态对齐 方法原理 提出 INSET（Images iN SEnTences），将图像作为原生词汇无缝嵌入文本指令中。通过将视觉特征直接放置在其对应语义槽位，利用 Transformer 的上下文局部性实现精确的对象绑定——图像被视为密集、表达力强的语言 token。此外设计了可扩展数据引擎，利用 VLM 和 LLM 从标准图像/视频数据集合成 1500 万高质量交错样本，构建丰富的长视野序列。 核心创新 ）首次将图像提升为文本指令中的一等词汇，利用局部上下文窗口替代长距离依赖实现精确绑定；2）提出可扩展数据引擎，从现有数据集自动合成大规模高质量交错样本；3）架构天然支持多模态图像编辑，将视觉内容作为指令一部分实现高度表达性的视觉操控。 实验结果 在 InterleaveBench 上显著超越 SOTA 方法，在多图一致性和文本对齐方面领先，且随输入复杂度增加性能差距进一步扩大。同时天然扩展支持多模态图像编辑任务。 批判性点评 新颖性： 图像词汇化的核心直觉创新性强——将绑定问题转化为局部上下文问题是范式级的改变；数据引擎的 1500 万样本合成也是重要贡献 可复现性： 依赖 1500 万合成数据的完整生成流水线，数据引擎的复现可能需要大量 VLM/LLM API 调用成本；模型和数据是否开源将影响可复现性 影响力： 为统一视觉生成建立了新范式（图像即词汇），预计将影响后续多模态 LLM 的设计哲学，特别是在交错生成和多模态编辑场景 深度点评： 图像词汇化：从长距离到局部上下文 — INSET 的核心洞察是——通过改变图像在序列中的位置（从分离到内嵌），将多图一致性问题从困难的长距离依赖简化为 Transformer 擅长的局部上下文匹配。这一看似简单的位置调整带来了范式级的性能跃升。 技术演进定位： 位于「交错多模态生成」方向的前沿，是从「图文分离→图文统一」范式转变的代表性工作 可能的后续方向： 有望推动原生多模态 LLM 的发展，使模型同时具备理解和生成能力，实现任意粒度的交错生成与编辑 其余论文速览 1. Qwen-Image-2.0：全能图像生成基础模型 Qwen-Image-2.0 Technical Report | Alibaba Qwen Team | arXiv:2605.10730 关键词：图像生成·文本渲染·多语言排版·扩散Transformer·统一编辑 前序问题：现有图像生成模型在超长文本渲染、多语言排版、高分辨率写实、鲁棒指令遵循和高效部署方面仍面临挑战，尤其在文字密集和组合复杂场景中表现不足 本文贡献：提出 Qwen-Image-2.0 全能图像生成基础模型：将 Qwen3-VL 作为条件编码器与多模态扩散 Transformer 结合，支持联合条件-目标建模；支持 1K token 长度指令生成文字密集内容（幻灯片、海报、信息图、漫画），显著提升多语言文字保真度和排版质量 实验效果：在生成和编辑任务上大幅超越之前的 Qwen-Image 模型，在写实感、细节丰富度、纹理真实性和光照一致性方面均有显著提升 批判点评：统一生成和编辑的全能架构令人印象深刻，但技术报告形式缺乏与开放社区模型的公平对比；1K token 长指令的实际推理成本和延迟未详述 2. DRoRAE：轻量级融合模块通过能量约束路由和增量 Beyond the Last Layer: Multi-Layer Representation Fusion for Visual Tokenization | Peking University, Meituan, Tsinghua University | arXiv:2605.10780 关键词：视觉分词器·多层融合·表征自编码·缩放律·图像生成 前序问题：表征自编码器（Representation AE）复用冻结预训练视觉编码器作为视觉分词器，但现有方法仅提取最后一层特征，丢弃了中间层分布的丰富层次化信息——低层视觉细节在最后一层仅以衰减残差形式存活 本文贡献：提出 DRoRAE（深度路由表征自编码器）：轻量级融合模块通过能量约束路由和增量校正自适应聚合所有编码器层；三阶段解耦训练策略先在冻结解码器的隐式分布约束下学习融合，再微调解码器充分利用丰富表征 实验效果：在 ImageNet-256 上将 rFID 从 0.57 降至 0.29，生成 FID 从 1.74 降至 1.65；发现融合容量与重建质量间的对数线性缩放律（R²=0.86） 批判点评：多层融合的思路简洁有效，对数线性缩放律的发现为视觉分词器提供了新的可预测扩展维度；但融合模块的额外计算开销和对不同编码器架构的泛化性需更多验证 3. CausalCine：交互式自回归框架 CausalCine: Real-Time Autoregressive Generation for Multi-Shot Video Narratives | HKUST, Ant Group, SJTU | arXiv:2605.12496 关键词：多镜头视频·自回归生成·实时推理·记忆路由·镜头转换 前序问题：自回归视频生成以实时开放式合成为目标，但电影叙事不是无限延伸单一场景——它需要事件演进、视角切换和镜头边界。现有 AR 模型将长序列视为延伸单镜头，导致长推演中运动停滞和语义漂移 本文贡献：提出 CausalCine 交互式自回归框架：将多镜头视频生成转化为在线导演过程；先在原生多镜头序列上训练因果基础模型学习复杂镜头转换先验，再提出 Content-Aware Memory Routing (CAMR) 按注意力相关性动态检索历史 KV 条目，最后蒸馏为少步实时生成器 实验效果：显著超越自回归基线，接近双向模型能力，同时解锁因果生成的流式交互特性，支持动态 prompt 实时切换 批判点评：多镜头叙事的问题设定高度实用，CAMR 的内容感知路由设计优雅；但蒸馏后的少步生成器是否保持镜头转换的多样性存疑；训练数据中多镜头标注的获取成本未讨论 4. ELF：在连续嵌入空间中基于连续时间 ELF: Embedded Language Flows | MIT (Kaiming He 团队) | arXiv:2605.10938 关键词：连续扩散语言模型·Flow Matching·嵌入空间·CFG·文本生成 前序问题：扩散/流模型在连续数据（图像、视频）生成中占主导地位，但应用于语言建模时，当前领先的扩散语言模型（DLM）仍主要操作离散 token，连续 DLM 尚未证明有效性 本文贡献：提出 ELF（Embedded Language Flows）：在连续嵌入空间中基于连续时间 Flow Matching 的扩散模型，在最终时间步通过共享权重网络映射到离散 token；这一公式化使得从图像扩散模型迁移成熟技术（如 CFG）变得直接 实验效果：大幅超越领先的离散和连续 DLM，以更少的采样步骤实现更好的生成质量，证明连续 DLM 可以通过最小适配有效工作 批判点评：Kaiming He 团队的工作一贯简洁有力——将连续流匹配应用于语言的思路开创性地打通了图像和语言扩散的技术栈；但语言的离散本质是否在连续空间中引入不必要的量化误差值得深入分析 5. PhyGround：标准化物理推理基准 PhyGround: Benchmarking Physical Reasoning in Generative World Models | Northeastern University, ETH | arXiv:2605.10806 关键词：物理推理基准·世界模型·视频生成评估·VLM评判器·人类评估 前序问题：生成式世界模型被期望捕获真实世界物理规则，但评估生成视频是否真正遵循物理定律仍极具挑战——现有基准存在粗粒度评估掩盖逐律失败、标注偏见和自动评估器物理感知不足等问题 本文贡献：提出 PhyGround 标准化物理推理基准：250 个精选 prompt 配有预期物理结果，覆盖固体力学、流体动力学、光学等 13 条物理定律的分类学；通过社会科学实验设计执行 459 名标注者大规模人类评估；发布 PhyJudge-9B 物理专用 VLM 评判器 实验效果：PhyJudge-9B 相对偏差仅 3.3%（vs Gemini-3.1-Pro 的 16.6%）；人类标注达到高分半相关性（Spearman's ρ > 0.90），揭示当前视频生成器在视觉逼真和物理推理间的持续鸿沟 批判点评：评估框架设计严谨（借鉴社会科学实验方法论），PhyJudge-9B 的开源贡献显著；但 250 个 prompt 的规模可能不足以覆盖开放世界物理场景的长尾分布 6. GridProbe：无训练后验探测推理范式 GridProbe: Posterior-Probing for Adaptive Test-Time Compute in Long-Video VLMs | MIT | arXiv:2605.10762 关键词：长视频理解·自适应计算·帧选择·后验探测·VLM推理 前序问题：长视频 VLM 理解被单次整体前向传播瓶颈化——数千帧的二次注意力成本高昂；现有帧选择方法依赖编码器空间相似度，在推理密集型查询（否定、跨帧计数、全局总结）上失败 本文贡献：提出 GridProbe 无训练后验探测推理范式：将帧排列为 K×K 网格，执行轻量行列探测，用冻结 VLM 自身推理能力在答案空间中评分证据，外积生成可解释重要性图；提出 Shape-Adaptive Selection 闭式规则以每问题自适应帧预算替代固定预算 实验效果：在 Video-MME-v2 上匹配整体基线精度（差 1.6pp）的同时减少 3.36x TFLOPs；在 LongVideoBench 上 Pareto 主导基线（+0.9pp at 0.35x compute）；2B 选择器 + 8B QA 组合在 0.52x 计算量下提升 +4.0pp 批判点评：后验探测的思路巧妙——用模型自身推理能力选帧替代外部相似度；Shape-Adaptive Selection 的闭式解优雅实用；但网格排列假设可能在超长视频中引入信息损失 7. AlphaGRPO：将 GRPO 应用于 AlphaGRPO: Unlocking Self-Reflective Multimodal Generation in UMMs via Decompositional Verifiable Reward | HKU | arXiv:2605.12495 关键词：多模态生成·GRPO·可验证奖励·自反思·统一模型 前序问题：统一多模态模型（UMM）缺乏有效的强化学习对齐方案——多模态生成场景中提供稳定监督信号极具挑战，现有整体标量奖励无法捕捉多维语义和质量要求 本文贡献：提出 AlphaGRPO：将 GRPO 应用于 AR-Diffusion UMM，无需额外冷启动阶段；引入分解可验证奖励（DVReward）——LLM 将复杂请求分解为原子可验证语义/质量问题，由通用 MLLM 评估提供可靠可解释反馈；解锁推理型文生图和自反思精炼能力 实验效果：在 GenEval、TIIF-Bench、DPG-Bench、WISE 等多模态生成基准上取得稳健提升，同时在未训练的编辑任务（GEdit）上也获得显著增益 批判点评：分解可验证奖励的设计思路与 Auto-Rubric as Reward 异曲同工，自反思精炼是引人注目的涌现能力；但 DVReward 的可靠性仍受限于评估用 MLLM 的能力上限 8. Shepherd：函数式编程模型 Shepherd: A Runtime Substrate Empowering Meta-Agents with a Formalized Execution Trace | Stanford, META | arXiv:2605.10913 关键词：Meta-Agent·执行追踪·分叉重放·函数式编程·Agent基础设施 前序问题：Meta-Agent 对目标 Agent 的操作缺乏形式化框架——无法有效记录、分叉和重放 Agent 执行状态，限制了运行时干预、反事实优化和训练等高级能力 本文贡献：提出 Shepherd 函数式编程模型：将 meta-agent 操作形式化为函数（核心操作在 Lean 中机械化），以 Git-like 执行追踪记录每次交互为类型化事件，支持任意状态分叉和重放；进程+文件系统 fork 速度比 Docker 快 5 倍，重放时 prompt-cache 复用率 >95% 实验效果：运行时干预将结对编程通过率从 28.8% 提升至 54.7%；反事实优化在四个基准上领先最多 11 分且墙钟时间减少 58%；Tree-RL 训练在 TerminalBench-2 上从 34.2% 提升至 39.4% 批判点评：将 Agent 执行形式化为可分叉追踪的系统设计前沿且实用，Git-like 语义直观易理解；但 Lean 形式化的学习曲线和实际部署复杂度可能限制采用 9. On-Policy Distillation：系统实证研究 OPD/OPSD The Many Faces of On-Policy Distillation: Pitfalls, Mechanisms, and Fixes | MIT, ETH | arXiv:2605.11182 关键词：在策略蒸馏·自蒸馏·LLM后训练·失败分析·知识蒸馏 前序问题：在策略蒸馏（OPD）和在策略自蒸馏（OPSD）作为 LLM 后训练方法前景广阔，但现有结果不一致——有时有效有时退化，何时有效、何时失败及其原因不清楚 本文贡献：系统实证研究 OPD/OPSD 的成功与失败条件，识别三种失败机制：1）teacher 条件化在 student 前缀上的分布错配；2）有偏 TopK reverse-KL 梯度的优化不稳定；3）OPSD 特有的实例特定特权信息缺失问题；提出 stop-gradient TopK、RLVR-adapted teacher 和 SFT-stabilized student 等修复方案 实验效果：为 OPD/OPSD 建立系统性指导：数学推理中对 teacher 选择和 loss 形式高度敏感，系统提示内化场景中 OPSD 有效 批判点评：实证分析全面深入，三种失败机制的识别为该领域提供了重要的实践指导；修复方案虽有效但增加了训练复杂度 趋势观察 统一生成范式成熟化 — INSET 和 Qwen-Image-2.0 分别从交错指令和全能框架角度推进统一视觉生成——前者将图像提升为文本词汇实现精确绑定，后者通过 VLM+MDT 实现生成/编辑一体化，标志着统一生成从概念验证走向工程化 自回归视频走向电影叙事 — CausalCine 首次将多镜头叙事引入自回归视频生成，通过内容感知记忆路由和少步蒸馏实现实时交互导演——AR 视频不再局限于单镜头延伸，开始具备电影级叙事能力 连续扩散模型跨域迁移 — ELF 证明连续 Flow Matching 可以有效用于语言建模，DRoRAE 发现视觉分词器的对数线性缩放律——扩散/流模型的核心技术正在跨越模态边界寻找新的应用空间 物理推理成为生成质量新维度 — PhyGround 构建了首个标准化物理推理基准并开源 PhyJudge-9B，揭示当前视频生成器「看起来真实但物理错误」的系统性问题——物理一致性正从加分项变为硬性要求 RL 对齐驱动生成自反思 — AlphaGRPO 通过分解可验证奖励在 UMM 上解锁了自反思精炼能力——模型不仅能生成，还能自主诊断和修正对齐失败，预示着生成模型将具备更强的自我改进能力 今日讨论 INSET 实现了「图像即词汇：交错指令的统一视觉生成」。你认为这种方法在实际项目中的落地价值有多大？欢迎在评论区分享你的看法！ 人工智能炼丹君 整理 | 2026-05-13