摘要： 本文揭示了视觉自回归（AR）生成模型性能瓶颈的关键原因：生成器与分词器之间的不一致性，即生成的Token序列难以被分词器有效解码。为此，提出了一种即插即用的训练正则化方法reAR，通过噪声上下文正则化（缓解暴露偏差）和码本嵌入正则化（对齐生成器与分词器的视觉嵌入）来提升一致性。实验表明，reAR显著提升了生成质量（如VQGAN上FID从3.02降至1.86），甚至以更少参数超越复杂模型（如

两者结合能产生显著的优化增益。最终呈现的是一个这样的系统：模型在持续个性化适应独立用户的同时，也在长视野通用智能体任务上不断进步，而所有这一切的训练，完全来源于模型当下正在进行的自然交互。：在模拟“学生写作业”和“老师改作业”的个性化场景中，通过结合 Binary RL 和 OPD 的优化，OpenClaw 仅需经过数次自然交互，评分即可在极短步数内（如 8 步/16 步）实现大幅跃升（学生场景得

在视觉自回归（AR）模型狂奔的今天，我们似乎已经习惯了将 Tokenizer 和生成器当作完美的黑盒组合。VA-π (Variational Policy Alignment) 深入剖析了这一现象背后的结构逻辑，提出了一种极其轻量且优雅的后训练（Post-training）框架。这项研究摒弃了单纯追求工程跑分的暴力路线，而是用极具数学美感的变分推断（VI）与强化学习（RL），从根本上弥合了生成与重

Helios：实时长视频生成新突破 北京大学等机构联合推出14B参数视频生成大模型Helios，在单张H100 GPU上实现19.5FPS的实时视频生成，支持分钟级长视频生成且保持高质量。Helios通过三大创新技术解决行业痛点： 深度压缩流技术：通过多期记忆补丁化和金字塔统一预测校正器大幅减少计算冗余，无需传统加速技术即可实现实时生成 简易防漂移方案：采用相对旋转位置编码消除重复动作，首帧锚点稳

两者结合能产生显著的优化增益。最终呈现的是一个这样的系统：模型在持续个性化适应独立用户的同时，也在长视野通用智能体任务上不断进步，而所有这一切的训练，完全来源于模型当下正在进行的自然交互。：在模拟“学生写作业”和“老师改作业”的个性化场景中，通过结合 Binary RL 和 OPD 的优化，OpenClaw 仅需经过数次自然交互，评分即可在极短步数内（如 8 步/16 步）实现大幅跃升（学生场景得

当前视觉内容创作领域存在高度碎片化的问题：现有工作多聚焦于单一模态（如图像或视频）或仅实现部分创作功能（如仅生成或仅编辑）。这导致解决方案彼此割裂、接口互不兼容，且上下文条件（如草图、参考帧）往往作为任务特定的附加模块引入，难以构建一个支持多样化多模态输入、具备统一创作流程的单一系统。

在视觉自回归（AR）模型狂奔的今天，我们似乎已经习惯了将 Tokenizer 和生成器当作完美的黑盒组合。VA-π (Variational Policy Alignment) 深入剖析了这一现象背后的结构逻辑，提出了一种极其轻量且优雅的后训练（Post-training）框架。这项研究摒弃了单纯追求工程跑分的暴力路线，而是用极具数学美感的变分推断（VI）与强化学习（RL），从根本上弥合了生成与重

现有模型本质上是“静态的文本到像素解码器”，只能执行显式的指令映射，无法理解用户的隐式意图。即使是新出现的统一理解与生成模型，也难以在单一模型内完成需要复杂知识推理（如数学推理、常识推理）的任务。由于受限于预训练数据的时间截断，模型的内部知识是静态的。这使得它们无法处理涉及实时新闻、新兴概念或需要最新事实验证的生成任务，与现实世界的动态发展脱节。为了探究“认知生成”的边界，本文提出了 Mind-B

扩散模型通过噪声创建数据。它们被训练来反转数据向随机噪声的正向路径，因此，结合神经网络的近似和泛化性质，可以用来生成不在训练数据中但遵循训练数据分布的新数据点。这种生成建模技术已被证明在建模高维感知数据，如图像方面非常有效。近年来，扩散模型已成为从自然语言输入生成高分辨率图像和视频的事实标准方法，具有令人印象深刻的泛化能力。由于它们的迭代性质及相关的计算成本，以及推理期间的长时间采样，对这些模型进

假设目标分布是，将信号分割成多个子任务： ... 对于第t个条件概率拟合任务，采用网络θ来拟合它。对于任意两个任务t和k以及两个状态样本s和，如果将这种信号分解称为等变。可以观察到，语言分解是独立于位置的。对于任何token 或短语，它们在句子中第t个或第k个位置出现的概率几乎相同。这一观察结果与方程2一致，因此表明语言分解表现出等变性。因此，采用单一模型来近似这些不同但相关的任务通常不会导致冲突