UniEvo-VL：多模态模型自我完善的自我蒸馏训练

计算机科学 > 人工智能 arXiv:2609.38721 (cs) [提交于 2026 年 9 月 30 日] 标题：UniEvo-VL: An on-policy Self-Distillation Training Recipe for Multimodal Model Self-improvement 作者：Fang Wu , Da Xing , Yanjie Huang , Junxi Wang , Ji Wang , Hejia Geng ,guan Cheng Wan , Bowen Zuo , Xiaomin Li ,唐诗翔、项新宇、王泽宏、杜十一、夏鹏、郑双佳、洪一宁、李二然、朱尔·莱斯科维奇、蔡业金 查看由 Fang Wu 和其他 18 位作者撰写的题为《UniEvo-VL：多模态模型自我改进的策略自蒸馏训练配方》论文的 PDF 查看 PDF HTML（实验） 摘要：现代多模态模型带来了生成和优化理解整合到一个统一的系统中，这使他们能够提供自己的反馈并从中学习。受这种统一能力的推动，我们引入了 UniEvo-VL，这是一种多模态模型的自我进化框架，可以在测试时计算期间从这种建设性的自我纠正反馈中学习。我们不依赖单独的、通常规模更大的老师，而是利用他们的自我批评作为特权信息，并要求一个单一的多模态模型在不同的背景下同时充当老师和学生。学生只看到普通的问题，而老师则以特权批评为条件。然后，训练将学生自己的采样轨迹上的去噪扩散分布之间的每个状态的差异最小化。实验表明，UniEvo-VL 提高了多模态模型的图像生成能力，同时保持其对附加反射信息的敏感性。具体来说，我们在开源 Qwen-image-2512 的基础上构建，观察到 GenEval 上的性能显着提高，从 0.747 提高到 0.808，GenEval2 Soft-TIFA 上的性能显着提高，从 32.97 提高到 35.53。此外，与更强大的外部批评家（例如GPT5.6-Luna）的尝试表明，具有强大判断能力的多模态模型可以预期更高的自我进化上限。最后但并非最不重要的一点是，混合文本渲染结果表明，我们在不同任务中的自我改进可能并不统一。我们的研究旨在阐明当前热门的递归自我改进研究路线，以在没有外部监督或指导的情况下使用多模态模型时增强用户体验。主题：人工智能（cs.AI）；计算机视觉和模式识别 (cs.CV) 引用为：arXiv:2609.38721 [cs.AI]（或此版本的 arXiv:2609.38721v1 [cs.AI]） https://doi.org/10.48550/arXiv.2609.38721 arXiv 通过 DataCite 颁发的 DOI（待注册）提交历史记录 发件人：Fang Wu [ 查看电子邮件 ] [v1] Wed, 30 Sep 2026 00:54:09 UTC (42,272 KB) 全文链接： Access Paper：查看题为 UniEvo-VL: An On-policy Self-Distillation Training Recipe for Multimodal Model Self-improvement 的论文的 PDF，作者：Fang Wu 和其他 18 位作者 查看 PDF HTML（实验性） TeX 源代码 查看许可证 当前浏览上下文：cs.AI < 上一页 |下一页 > 新 |最近 | 2026-09 更改为浏览方式：cs cs.CV 参考文献和引文 NASA ADS Google Scholar 语义学者正在加载... BibTeX 格式的引文正在加载... 数据提供者： 书签 书目工具 书目和引文工具 书目浏览器 切换书目浏览器（什么是浏览器？） 已连接论文 切换已连接论文（什么是已连接论文？） Litmaps切换 Litmaps（什么是 Litmap？）scite.ai 切换 scite 智能引文（什么是智能引文？）与本文相关的代码、数据、媒体代码、数据和媒体 alphaXiv 切换 alphaXiv（什么是 alphaXiv？）代码链接 切换 CatalyzeX 论文代码查找器（什么是 CatalyzeX？） DagsHub 切换 DagsHub (什么是 DagsHub？) GotitPub 切换 Gotit.pub (什么是 GotitPub？) Huggingface 切换 Hugging Face (什么是 Huggingface？) ScienceCast 切换 ScienceCast (什么是 ScienceCast？) 演示 演示 Replicate 切换 复制 (什么是 Replicate？) Spaces 切换 Hugging Face 空间 (什么是 Spaces？) Spaces 切换TXYZ.AI（什么是 TXYZ.AI？）相关论文推荐器和搜索工具链接到影响花影响花（什么是影响花？）核心推荐器切换核心推荐器（什么是核心？）作者场地机构主题关于 arXivLabs arXivLabs：与社区合作者的实验项目 arXivLabs 是一个框架，允许合作者直接在我们的网站上开发和共享新的 arXiv 功能。与 arXivLabs 合作的个人和组织都接受并接受了我们开放、社区、卓越和用户数据隐私的价值观。 arXiv 致力于这些价值观，并且只与遵守这些价值观的合作伙伴合作。您有一个能为 arXiv 社区增加价值的项目想法吗？了解有关 arXivLabs 的更多信息。这篇论文的哪些作者是认可者？ |禁用MathJax（什么是MathJax？）