UniEvo-VL：多模态模型自我进化的在策略自蒸馏训练方案

arXiv:2609.38721v1 公告类型：新发布 摘要：现代多模态模型将生成与理解整合进单一统一系统，使其能够提供并学习自身反馈。基于这一统一能力，我们提出 UniEvo-VL——一个自进化框架，使多模态模型能够在测试时计算（test-time compute）过程中从这种建设性的自我修正反馈中学习。我们不依赖单独的、通常规模更大的教师模型，而是将模型的自我批评（self-critiques）作为特权信息（privileged information），让单一多模态模型在不同上下文下同时扮演教师与学生角色：学生仅看到原始问题，而教师则以特权批评为条件。随后，训练过程在学生自身的采样轨迹上，最小化二者去噪扩散分布（denoising diffusion distributions）在各状态上的散度。实验表明，UniEvo-VL 在提升多模态模型图像生成能力的同时，保持了其对额外反思信息的敏感性。具体而言，我们在开源模型 Qwen-image-2512 之上进行构建，在 GenEval 上观察到性能从 0.747 显著提升至 0.808，在 GenEval2 Soft-TIFA 上从 32.97 提升至 35.53。此外，使用更强大的外部批评模型（如 GPT5.6-Luna）的尝试表明，具备强评判能力的多模态模型有望达到更高的自进化上限。最后同样重要的是，混合文本渲染（mixed text-rendering）结果显示，我们的自我改进在不同任务间可能并不均衡。本研究旨在为当前热门的递归自我改进（recursive self-improvement）研究方向提供启发，在无需外部监督或指导的情况下，增强用户使用多模态模型时的体验。