AI 编程实时动态与要闻

针对多模态生成模型向“严守物理与逻辑规则的世界模型”演进中的验证、评测与强化学习对齐难题，今日三项重磅研究给出系统答案：OmniVerifier-C1（arXiv:2610.22355，HF 32 赞）通过解耦强化学习（DAPO）将提示词拆解为子问题二元判断与全局连续打分，在 ViVerBench 上提至 0.684 并将 FLUX.1-dev 的 GenEval 推至 0.79；美团开源 320 例多步世界状态预测基准 WorldCast（arXiv:2610.20731，HF 30 赞），揭示 GPT-Image-2.5 System 达 72.8 分而最强开源模型仅 20.1 分；新加坡国立大学提出路由策略优化 RPO（arXiv:2610.22282），将注意力块路由作为随机探索动作，以仅 24.1 GPU 小时（较 Flow-GRPO 与 DanceGRPO 分别快 3.1 倍和 4.2 倍）大幅提升视频生成语义对齐。

查看大图

以 LLaDA 为代表的掩码扩散语言模型（dLMs）因其高度可并行解码与非自回归推理特性，被视为突破传统自回归大模型（AR-LLM）串行推理速度与长程规划瓶颈的关键方向。然而，扩散语言模型在去噪生成过程中面临极其严峻的“信用分配（Credit-Assignment）”难题：在全序列逐步去噪的过程中，往往只有极少数关键决策（Pivots）能够剧烈降低未掩码未知区域的不确定性，并决定整段回答的正确性；而现存的扩散模型微调通常简单粗暴地在最终文本上做全量 SFT，或给整步去噪施加统一标量奖励，导致梯度严重稀释并破坏扩散采样流。来自韩国科学技术院（KAIST）与多伦多大学/Vector 研究所的研究团队推出了高效离线自蒸馏框架 Pivot-SD（arXiv:2610.03665）：基于信息增益（Information Gain）指标自动定量筛选出决定去噪走向的关键决策点（Pivots），对成功轨迹中的 Pivot 执行交叉熵奖励，对失败轨迹中的 Pivot 进行靶向逆似然惩罚（Targeted Unlikelihood），同时完全保留失败轨迹中的其他无害 token。在 LLaDA-8B-Instruct 上的实验表明，Pivot-SD 仅需 200 道题目（每题仅采样 4 条轨迹，总计 800 条 rollout），就在数学推理与代码基准上全面击败了算力预算对齐的全序列 SFT 与扩散 RL 基线。

查看大图

上海人工智能实验室（Shanghai AI Laboratory，@huggingface）联合高校正式开源了面向音视频联合生成的多模态强化学习框架 AV-GRPO（arXiv: 2609.29816，GitHub: zhiyuxu03/AV-GRPO）。针对当前主流多模态生成模型在声画同步、跨模态因果对齐上的严重脱节，以及音视频双塔模型直接联合训练时算力开销激增、奖励信用分配模糊等瓶颈，AV-GRPO 首创了“模态锚定采样（Modality-Anchored Rollouts）”与“轨迹锁定冻结塔优化机制”，将复杂的跨模态偏好对齐转化为单模态解耦子问题，并在多项权威音视频生成基准上全面击败 LTX-2.3 达到业界 SOTA。

查看大图