生成建模与扩散
突破级
暂无讲解视频
收录解读
这篇论文把复杂视觉生成从单步 prompt-to-image 推向闭环、可验证的多步推理生成。CLVR 将视觉语言规划、像素级扩散生成和 step-level verification 串成一个闭环。
方法上，它用自动数据引擎生成带验证的推理轨迹，用 Proxy Prompt RL 解决长上下文优化与因果归因问题，并用权重合并降低多步生成延迟。
它值得正式收录，因为多模态生成正在从纯采样模型转向 reasoning + verification + generation 的系统范式；CLVR 是这种方向的高信号实例。
它没有更高，是因为复杂视觉生成的闭环推理很容易依赖特定任务和评估协议，是否能推广到视频、3D 和真实交互生成仍需验证。