Uni-LaDiR：潜扩散统一多模态推理
原文标题：Uni-LaDiR: Latent Diffusion Unifies Multimodal Reasoning
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。
论文提出 Uni-LaDiR 框架，将不同模态的推理步骤映射到共享潜空间中的统一思维 token，并用扩散模型预测下一块思维 token。编码器与扩散推理器共享权重联合训练，使思维 token 既对任务有用又可由上下文预测，推理时无需教师观测即可生成。在 11 个视觉语言模型基准与 2 个视觉-语言-动作套件上，视觉推理任务相对最强基线提升 7.3%，机器人操作任务提升 6.1%。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Uni-LaDiR 把多模态推理步骤映射到共享潜空间，用扩散预测下一块思维 token，视觉推理相对提升 7.3%。
- •统一编码器把不同模态的教师推理步骤映射为共享思维 token，保留后续推理与最终答案所需信息
- •因同一上下文可支持多个有效下一步，改用扩散预测下一块思维 token
- •编码器与扩散推理器共享权重联合训练，使思维 token 既任务有用又可从上下文预测
- •推理时无需教师观测即可生成思维 token
- •11 个 VLM 基准相对最强基线提升 7.3%，2 个 VLA 套件机器人操作提升 6.1%
为什么重要：现有多模态推理常把各模态思维 token 拼接成一条序列、让模型自行弥合表征差异；共享潜空间加扩散预测提供了另一种统一思路。
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。