UniEvo-VL：多模态模型自蒸馏自进化训练法
原文标题：UniEvo-VL: An On-policy Self-Distillation Training Recipe for Multimodal Model Self-improvement
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 UniEvo-VL，让单一多模态模型同时充当教师与学生，利用自批评作为特权信息，在测试时计算中自我改进。基于开源 Qwen-image-2512，GenEval 从 0.747 提升至 0.808，GenEval2 Soft-TIFA 从 32.97 升至 35.53。研究显示更强的外部评判模型可带来更高自进化上限，但改进在不同任务间并不均匀。
深读 · 结论先行AI 生成展开看要点与影响 ↓
UniEvo-VL让单一多模态模型自任教师与学生，Qwen-image-2512的GenEval从0.747升至0.808。
- •单一多模态模型以不同上下文分别充当教师与学生，自批评作为特权信息
- •学生只看原始问题，教师额外条件于批评，训练最小化两者在学生采样轨迹上的去噪扩散分布差异
- •基于开源Qwen-image-2512，GenEval从0.747提升至0.808，GenEval2 Soft-TIFA从32.97升至35.53
- •用更强外部评判（如GPT5.6-Luna）显示自进化上限更高
- •混合文本渲染结果显示改进在不同任务间并不均匀
为什么重要：不依赖更大外部教师即可在测试时自我改进，对统一生成与理解的多模态模型训练路线有参考价值，但任务间收益不均需注意。
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。