规则世界建模三大突破：OmniVerifier-C1 解耦分级验证器赋能迷宫/数独生成，美团 WorldCast 揭露开源仅 20.1 分代差，国大 RPO 扩散 RL 提速 4 倍

核心背景与行业痛点

当文生图与视频生成大模型从“视觉审美娱乐”迈向“受严格物理与逻辑规则约束的生成式世界模型（Rule-Governed Generative World Models）”时，行业面临三大核心瓶颈：第一，现有的视觉验证器（Visual Verifiers）大多仅输出粗糙的 True/False 二元离散判定，面对多属性组合或走迷宫（Maze）、解数独（Sudoku）、作几何辅助线等严格规则场景时，极易被生成模型钻空子（Reward Hacking）；第二，业界缺乏系统评测多模态生成模型在人类动作序列与物理变换下进行“多步未来世界状态预测”的权威基准；第三，现有的扩散/流匹配强化学习（如 Flow-GRPO、DanceGRPO）通过在反向去噪轨迹上注入外部噪声进行探索，不仅破坏了原版确定性采样器，更导致单次训练耗费上百 GPU 小时。

架构亮点与底层机制

今日荣登 Hugging Face 热榜的三项研究——OmniVerifier-C1（arXiv:2610.22355）、美团团队的 WorldCast（arXiv:2610.20731）与新加坡国立大学的 Routing Policy Optimization (RPO)（arXiv:2610.22282）——构建了世界模型“验证—评测—高效强化学习”的完整拼图：

• OmniVerifier-C1：解耦强化学习（Decoupled RL）驱动的分解式分级验证器：将每个“复杂提示词/规则 + 生成图像”自动拆解为 $K$ 个细粒度组件子问题，并在 Qwen3-VL-8B 上采用基于 DAPO 的解耦强化学习——将每个样本转化为 $K+1$ 个 RL 训练实例（$K$ 个子问题级 0/1 精确二元判断 + 1 个全局连续对齐打分）。同时从理论上证明：在拥有真实参考图像（Ground-Truth）的迷宫、4×4 数独、几何辅助线构造等 6 大规则世界建模任务中，成对比较验证范式（Pairwise Verification）比单点打分具有严格更高的评判精度。
• 美团 WorldCast：四层能力分类体系与 320 例多步世界状态预测基准：将多模态世界生成能力划分为四个演进层级，并手工精标了横跨 8 大类别的 320 个高难多步世界状态预测用例，要求模型综合多模态观测与复杂参考图，连续生成符合人类动作序列、物理形变与抽象视觉推理的未来世界状态图像。
• 新加坡国立大学 RPO：在注意力路由内部探索的高效在线扩散 RL：不改动反向去噪采样器，而是在选定的少数去噪时间步中，将注意力块路由（Attention Block Routing）转化为随机探索策略动作——每个 Query 块按原生注意力质量分布随机采样一部分 Key 块，并以稠密注意力速度场（Dense Velocity）为中心计算高斯似然得分函数；配合共享初始潜变量与随机种子的受控双轨迹优势估计器（Controlled Two-Rollout Estimator），学到的梯度直接更新主干权重，在测试推理期完全恢复全稠密注意力与原版确定性采样器。

权威 Benchmark 与实测跑分对比

• OmniVerifier-C1 在 ViVerBench 与 GenEval 上全面领跑（arXiv:2610.22355）：在 16 张 A800-80G 上训练仅 80 步后，OmniVerifier-C1 在高难多模态批判基准 ViVerBench 上将 Qwen3-VL-8B 综合得分从 0.654 提升至 0.684（显著超越 SFT+RL 二元验证器的 0.672，其中 LaTeX 达 0.839、BBox 达 0.859）。将其作为 RL 奖励模型指导生成模型微调时，FLUX.1-dev 的 GenEval 总分从 0.68 跃升至 0.79（双物体达 0.93、属性绑定从 0.58 提至 0.71），Stable-Diffusion-3.5-Medium 从 0.66 跃升至 0.77（双双大幅击败 UnifiedReward 基线）。
• WorldCast 揭露开源与闭源高达 52.7 分的残酷代差（arXiv:2610.20731）：对 12 款代表性多模态生成系统的评测显示，GPT-Image-2.5 System 以 72.8 分高居榜首，展现出初具雏形的真实世界状态推演能力；而 Nano Banana Pro 仅得 42.8 分，参评的最强开源模型得分更是仅有 20.1 分，暴露出开源模型在纠缠参考系与重推理视觉生成上的巨大短板。
• RPO 在 Wan2.2-TI2V-5B 上算力开销骤降 3.1~4.2 倍（arXiv:2610.22282）：在 Wan2.2-TI2V-5B（$1280\times704$，13 帧）文生视频强化学习中，RPO 是唯一综合得分超越原版基座的 RL 检查点（物体类别 +4.40、人类动作 +4.80、场景 +3.43、多物体 +2.15），且全程仅耗费 24.1 GPU 小时——比 Flow-GRPO 节省 3.1 倍算力，比 DanceGRPO 节省 4.2 倍算力。

开发者实战落地与开箱指南

美团已开源 WorldCast 全套评测集与评估脚本（https://github.com/teal024/WorldCast），新加坡国立大学亦上线了 RPO 项目主页（https://velox-world.com/rpo/）。正在训练统一多模态生成模型（Unified Multimodal Understanding & Generation）的团队，可接入 WorldCast 检验模型的多步物理因果推演能力，并在后训练管线中采用 OmniVerifier-C1 的 $K+1$ 子问题分解奖励与 RPO 的注意力内路由双轨迹估计器，以四分之一的 GPU 成本完成高质量规则对齐。