DR-BOLT 让视觉语言模型自适应快慢思考，训练提速 2.9 倍
原文标题：Learning When to Think: Dual-Reference Offline Optimization for Adaptive VLM Reasoning
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
针对视觉语言模型对所有输入都长链推理导致的过度思考问题，论文提出 DR-BOLT，用双参考离线优化区分快答与慢推理两种行为策略并校正分布错配。在 ScienceQA 及三个迁移基准上，其分数-长度权衡优于离线与在线基线，端到端训练比复现的 GRPO 快 2.90 倍。
AI 处理过程展开/收起
相关推荐
谷歌发布 Gemini Omni 1.2 Flash 视频模型，单段时长增至 15 秒
AI 摘要谷歌推出 AI 视频生成模型 Gemini Omni 1.2 Flash，原生支持最长 15 秒视频，较上一代提升 50%，并新增多轮对话式编辑能力。新模型增强了对参考内容的遵循，可在多镜头间保持角色、物体与场景一致性，减少视觉漂移。
OpenAI发布图像模型Images 2.6，生成提速50%并新增GIF功能
AI 摘要OpenAI发布图像生成模型Images 2.6，面向全球用户在ChatGPT、Codex及API开放。生成速度较上版提升50%，增强多轮编辑的细节与角色、产品、品牌一致性，并新增GIF循环动画生成。API提供Flare与Sunburst两个版本。
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。