OmniHarness：符号策略学习实现可泛化视觉生成
原文标题：OmniHarness: Harnessing Generalizable Visual Generation via Symbolic Policy Learning
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。
针对现有视觉生成方法经验泛化差、反思滞后、知识被动获取三大局限，论文提出OmniHarness框架，将已验证执行抽象为符号策略，支持实例化、适配与组合，并在执行中做中间验证与失败恢复。通过自主提问在目标确定前生成练习任务，执行反馈持续优化策略而模型参数冻结。在ComfyBench创意任务上解率达95.0%，超出最强基线27.5个百分点。
深读 · 结论先行AI 生成展开看要点与影响 ↓
OmniHarness 把已验证执行抽象为符号策略，ComfyBench 创意任务解决率 95.0%，超最强基线 27.5 个百分点。
- •针对经验泛化差、反思滞后、知识被动获取三大局限，将执行抽象为带适用条件的符号策略并支持组合。
- •执行中做中间验证与失败恢复，而非等任务结束才反思。
- •通过自主提问在目标确定前生成接近能力边界的练习任务，执行反馈优化策略而模型参数冻结。
- •覆盖六个基准、三个 MLLM 主干、三个视觉 agent 框架；冻结的策略快照还能提升现有视觉 agent。
为什么重要：不训练模型、只积累可复用策略就能持续扩展能力，为多模态生成 agent 提供了一条低成本的能力增长路径。
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。