AITOP

5月13日

19:12

arXiv cs.AI@Runhui Huang, Jie Wu, Rui Yang, Zhe Liu, Hengshuang Zhao

精选70

AlphaGRPO 是一个将 GRPO 强化学习方法应用于统一多模态模型（UMMs）的新框架，无需冷启动阶段即可增强多模态生成能力。它让模型能够执行推理式文本到图像生成（主动推断用户隐含意图）和自反思优化（自主诊断并修正生成结果中的偏差）。为解决真实场景多模态生成的稳定监督问题，论文提出分解可验证奖励（DVReward），利用 LLM 将复杂请求拆解为原子化、可验证的语义与质量子问题，再由通用 MLLM 评估并提供可解释反馈。实验表明，AlphaGRPO 在 GenEval、TIIF-Bench、DPG-Bench 和 WISE 等基准上取得稳健提升，并在未训练编辑任务的情况下在 GEdit 上获得显著改进。

论文多模态生成强化学习/GRPO 自反思分解奖励文本到图像

推荐理由：做多模态生成或强化学习对齐的团队值得关注——AlphaGRPO 用分解奖励解决了复杂指令的监督难题，让模型能自我反思修正，直接提升图像生成质量。

08:42

阶跃星辰 Stepfun@StepFun_ai

60

Stepfun 发布了 Step Image Edit 2，一个 3.5B 参数的图像模型，在指令式图像编辑基准 KRIS-Bench 上排名第一，涵盖总体、事实和概念类别。其性能超越参数规模 5-6 倍的模型，支持文本到图像生成、指令编辑、双语文字渲染和风格迁移。推理速度快，文本到图像仅需 0.7 秒，每次编辑 1.6 秒，每张图像成本仅 $0.003。该模型已在 Stepfun 开放平台上线，模型 ID 为 step-image-edit-2。

AI模型图像编辑文本到图像多模态 Stepfun 开源/仓库

推荐理由：该模型以极小参数量在图像编辑基准上取得领先，推理速度快且成本低，为图像编辑和生成任务提供了高效的新选择。

5月11日

11:42

arXiv cs.LG（学术论文）

60

本研究提出 Normalizing Trajectory Models (NTM)，一种新型生成模型框架。传统扩散模型假设多步高斯去噪，在少步采样时失效；现有少步方法依赖蒸馏、一致性训练或对抗目标，但放弃了似然框架。NTM 将每个逆向步骤建模为条件标准化流，并用深层并行预测器连接整个轨迹。该模型可通过预训练流匹配模型初始化，利用精确轨迹似然进行自蒸馏，仅需四步即可生成高质量文本到图像样本。在基准测试中，NTM 在四步内匹配或超越了强基线模型，同时保留了可计算的似然。

论文标准化流扩散模型少步生成文本到图像似然训练

推荐理由：NTM 通过将标准化流与轨迹建模结合，在少步生成和无似然性能间取得平衡，为扩散模型加速提供了新思路。对需要快速推理且关注可解释性的应用（如实时图像生成）具有实际意义。