UniEvo-VL: مدل چندوجهی که از نقد خودش یاد می‌گیره
هوش مصنوعیClaude Opus 5.5خلاصهٔ کامل‌تر
تو این مقاله arXiv که ۱۹ نویسنده داره (از جمله Jure Leskovec و Yejin Choi)، روشی به اسم UniEvo-VL معرفی شده. ایده‌ش از اینجا میاد که مدل‌های چندوجهی امروزی (یعنی مدل‌هایی که هم تصویر تولید می‌کنن هم تصویر رو می‌فهمن) تو یه سیستم واحدن، پس می‌تونن خروجی خودشون رو نقد کنن و از اون نقد یاد بگیرن.
روش کار on-policy self-distillation هست؛ یعنی مدل از نمونه‌هایی که خودش تولید کرده یاد می‌گیره و یه نسخه‌ش معلم نسخه دیگه‌ست. یه مدل واحد دو نقش داره: شاگرد فقط سؤال خام رو می‌بینه، ولی معلم علاوه بر سؤال، نقدی که مدل به خروجی خودش نوشته رو هم می‌بینه. نویسنده‌ها این نقد رو «اطلاعات ممتاز» صدا می‌کنن. بعد آموزش سعی می‌کنه فاصله بین توزیع‌های diffusion معلم و شاگرد رو، روی همون مسیرهای نمونه‌برداری خود شاگرد، کم کنه. یعنی دیگه لازم نیست یه مدل بزرگ‌تر جدا به‌عنوان معلم داشته باشی.
نتیجه‌ها روی مدل متن‌باز Qwen-image-2512 گرفته شده: امتیاز GenEval از 0.747 به 0.808 رسیده و امتیاز GenEval2 Soft-TIFA هم از 32.97 به 35.53. نویسنده‌ها می‌گن وقتی از یه منتقد بیرونی قوی‌تر مثل GPT5.6-Luna استفاده کردن، سقف پیشرفت بالاتر رفت. یعنی هرچی مدل تو قضاوت قوی‌تر باشه، بیشتر می‌تونه خودش رو بهتر کنه.
البته یه محدودیت هم گزارش شده: نتیجه‌ها تو رندر متن داخل تصویر قاطی بوده، پس این خودبهبودی تو همه کارها یکسان نیست. نویسنده‌ها این کار رو بخشی از موج پژوهش‌های «خودبهبودی بازگشتی» می‌دونن که هدفش بهتر کردن مدل‌ها بدون نظارت بیرونیه.
نکات کلیدی:
- یه مدل واحد هم معلمه هم شاگرد؛ معلم نقد خود مدل رو هم می‌بینه
- روی Qwen-image-2512 امتیاز GenEval از 0.747 به 0.808 رسیده
- امتیاز GenEval2 Soft-TIFA از 32.97 به 35.53 بالا رفته
- منتقد بیرونی قوی‌تر مثل GPT5.6-Luna سقف پیشرفت رو بالاتر می‌بره
- تو رندر متن داخل تصویر نتیجه‌ها یکدست نبوده
