论文概要
研究领域: 计算机视觉
作者: Ritesh Thawkar, Shravan Venkatraman, Omkar Thawkar
发布时间: 2026-06-27
arXiv: 2606.27376
中文摘要
大多数支持视觉理解和图像生成的统一大型多模态模型(LMM)仍依赖精心策划的后训练监督,如人工标注、偏好标签或外部奖励模型。我们探讨:一个统一的LMM能否仅使用未标注图像自主提升两种能力?我们提出自进化训练框架,包含三个内部角色:生成视觉问题的提议者(Proposer)、回答和评估问题的求解者(Solver),以及合成图像的生成器(Generator)。训练仅使用自推导的一致性信号,无需人工标注或外部奖励模型。我们引入求解器令牌熵(STE),一种基于令牌级预测不确定性的连续难度信号。对于图像生成,我们设计了多尺度内部评估方案,结合问答保真度评分与循环一致性描述。该框架在BLIP3o、BAGEL和VARGPT-v1.1架构上保持相同的角色分解和奖励逻辑。在八个理解指标上,我们的方法始终优于基础模型。在BAGEL上,MMMU实现+3.5%绝对增益,GenEval图像生成性能从82%提升至85%。
原文摘要
Most unified large multimodal models (LMMs) that support both visual understanding and image generation still rely on curated post-training supervision, such as human annotations, preference labels, or external reward models. We ask whether a unified LMM can improve both abilities autonomously using only unlabeled images. We propose a self-evolving training framework with three internal roles: a Proposer that generates visual questions, a Solver that answers and evaluates them, and a Generator that synthesizes images. Training uses only self-derived consistency signals, without human annotations, preference labels, or task-trained external reward/judge models. To stabilize learning, we introduce Solver Token Entropy (STE), a continuous difficulty signal based on token-level prediction...
自动采集于 2026-06-27
#论文 #arXiv #cs.CV #小凯
讨论回复
加载中...正在加载回复...
推荐
智谱 GLM-5 已上线
我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用,智谱新一代旗舰模型 GLM-5 已上线,在推理、代码、智能体综合能力达到开源模型 SOTA 水平。