LARC框架提出：连续空间潜在推理

LARC框架针对离散token推理与连续图像生成间的模态不匹配问题，提出了一种统一多模态模型在连续空间进行潜在推理的新范式。该框架的核心创新在于其独特的两阶段训练策略。首先，通过课程式监督微调（SFT），将传统的token级推理过程转化为潜在的推理过程；其次，引入信息增益强化学习（RL）机制，实现模型的无监督自演化，无需额外监督信号即可优化推理能力。 在性能评估方面，LARC在GenEval基准测试中表现优异，相比现有的BAGEL模型提升了7%。更重要的是，LARC展现了清晰的测试时扩展行为（test-time scaling behavior），表明随着计算资源的增加，其推理能力能够持续增强，为多模态模型的持续优化提供了新的路径。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。