Model multimodal modern mengintegrasikan generasi dan pemahaman ke dalam satu sistem, memungkinkan mereka belajar dari umpan balik yang dihasilkan secara otomatis. Kami mempresentasikan UniEvo-VL, kerangka kerja evolusi diri yang memanfaatkan kritik diri sebagai informasi khusus selama komputasi waktu pengujian. Alih-alih mengandalkan model guru terpisah, yang sering kali lebih besar, satu model multimodal berfungsi sebagai guru dan siswa dengan konteks yang berbeda.
Siswa hanya melihat pertanyaan mentahnya, sementara guru mengkondisikan diri pada kritik yang diberi privilase. Pelatihan bertujuan untuk meminimalkan divergensi antara distribusi difusi denoise-nya pada trajektori sampling siswa. Eksperimen menunjukkan bahwa UniEvo-VL meningkatkan kemampuan pembuatan gambar sambil mempertahankan sensitivitas terhadap informasi refleksi.
Berdasarkan Qwen-image-2512 open source, kami mengamati peningkatan dari 0,747 ke 0,808 pada Gen Eval dan dari 32,97 ke 35,53 pada Gen Eval2 Soft-TIFA. Upaya dengan kritik eksternal yang lebih kuat, seperti GPT5.6-Luna, menunjukkan bahwa model multimodal dengan kemampuan penilai yang kuat dapat memproyeksikan plafod evolusi diri yang lebih tinggi. Hasil pencampuran penyajian teks menunjukkan bahwa perbaikan diri mungkin tidak seragam pada tugas yang berbeda.
Penelitian ini bertujuan untuk meningkatkan pengalaman pengguna saat menggunakan model multimodal tanpa pengawasan atau panduan eksternal, dan membuka lampu pada garis penelitian rekursif self-improvement yang sedang hangat di kalangan saat ini.
Sumber: Hacker News · Diringkas oleh HeadlinesBriefing