研究提出轨迹感知解码控制优化扩散视觉语言模型
原文标题：Routing by Reasoning Need: Trajectory-Aware Decoding Control for Diffusion Vision-Language Models
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文针对扩散视觉语言模型在迭代细化中暴露的中间答案轨迹，提出推理预算错配问题：统一生成长度会损害视觉封闭问题或推理敏感问题。作者在LLaDA-V上研究一种免训练控制器，利用答案闭合、承诺证据和表示修订压力等轨迹信号，将每个样本路由到提前承诺、基线保持或支持推理的解码策略，无需真值答案。在多种基准上，路由控制优于固定长解码、纯短解码和单一规则干预。
深读 · 结论先行AI 生成展开看要点与影响 ↓
扩散VLM统一生成长度存在推理预算错配，免训练轨迹路由在LLaDA-V上优于固定长短解码
- •问题定义：视觉封闭题被稳定答案后的继续细化拖累，推理敏感题被过早承诺拖累
- •控制器免训练、不用真值答案，依据答案闭合、承诺证据、表示修订压力三类轨迹信号路由
- •三种去向：提前承诺、基线保持、支持推理的解码
- •在答案导向、混合推理、CoT敏感基准上均优于固定长解码、纯短解码与单一规则干预
- •增益不能仅由输出更短解释
为什么重要：扩散VLM的中间轨迹本身是可观测控制面，这条给出按样本状态分配推理预算的可行做法，对推理成本与鲁棒性兼顾的部署有参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。