今日概览
- 多物体生成翻车要先归因再选方案：T2I多物体失败的主因是scene复杂度而非类别不平衡，concept级问题扩数据能缓解、组合级问题scaling救不了。
- VLM玩Mario到100+回合的工程配方：Odysseus用带turn-level critic的PPO变体把RL horizon从20-30推到100+，预训练VLM的动作先验替代了手工action engineering。
- GFN在红队场景从demo推向可用：Stable-GFN用对比式trajectory balance绕开partition function估计，正面修了mode collapse这块硬伤。
- 梯度提升是扩散训练的渐近最优解：决策树和扩散过程在GTSM框架下共享同一优化原则，TreeFlow表格生成提速2倍是初步可用的落地证据。
重点关注
01 图像生成 多物体生成翻车，主因不是类别不平衡
T2I模型在多物体场景上经常出问题，业界惯常的解决思路要么是改架构、要么是加CoT式规划。这篇工作往回退一步，问的是数据本身能解释多少失败。作者搭了一个叫mosaic的受控合成数据框架，把问题切成两个机制——concept generalization（每个概念都见过但分布不均）和compositional generalization（特定组合在训练时被故意剔除），然后看模型在不同数据规模下的表现。结论有两个要点：scene复杂度的影响远大于类别不平衡，counting任务在低数据规模下尤其顽固；而当训练时holdout的概念组合越多，compositional generalization会明显崩塌，scaling并不能稳定救场。换句话说，多物体失败需要先做归因——concept级的问题可以靠扩数据缓解，组合级的可能得靠新的inductive bias。注意一点：所有结论都是在受控合成数据上得到的，迁移到LAION量级的真实训练分布之前，应该在自己的失败case上做一次归因校准。
原文：When Do Diffusion Models learn to Generate Multiple Objects?
02 Agent VLM打Mario打到100+回合，关键不在游戏本身
Odysseus选超级马里奥作为试验场，把VLM交互决策的RL horizon一口气推到100+回合，比前沿模型平均通关进度高3倍以上。这之前路子一直卡得很死：RL训练horizon长期停在20-30回合上不去，靠人类轨迹SFT又费力且泛化有限。但真正值得抠的不是Mario本身——是论文给出的几个工程结论：带轻量turn-level critic的PPO变体在长horizon上比GRPO、Reinforce++这类无critic方法稳得多；预训练VLM自带强动作先验，能省掉传统深度RL那套手工动作工程，样本效率明显提升。这些结论对想做长程agent的团队是直接可用的配方。
需要泼点冷水：Mario的视觉空间和状态转移相对受控，跨游戏泛化也是在游戏域内做的——离真实productivity agent的开放环境还差不少层抽象。
原文：Odysseus: Scaling VLMs to 100+ Turn Decision-Making in Games via Reinforcement Learning
03 安全对齐 红队工具里的GFN，硬伤被正面修了一下
LLM红队既要攻击有效又要攻击多样，GFlowNet（一种把生成当成流匹配的训练范式）理论上很合适，但工程上一直跑不稳——奖励一抖动就mode collapse，输出全往一两个模板上挤。Stable-GFN的做法是绕开GFN里最难估的partition function Z，用trajectory之间的成对对比来训练，再加一个mask机制吃掉噪声奖励，外加一个fluency稳定器防止模型陷进胡言乱语的局部最优。论文给的指标是攻击成功率和多样性都比基线明显高，但要注意两点：成对对比意味着每步要多算一次轨迹，训练成本不可忽视；红队的「多样性」指标本身就可疑，编辑距离或聚类数高不代表攻击模式真的不同。对做安全评测和对抗样本生成的团队来说，这是把GFN从demo推向能用一档的工程改进，但接进自己流水线前最好先在自己的目标模型上做一轮独立验证。
原文：Stable-GFlowNet: Toward Diverse and Robust LLM Red-Teaming via Contrastive Trajectory Balance
04 模型架构 梯度提升原来是扩散训练的理想化最优解
梯度提升的理想化版本，居然是扩散模型在某种极限下的渐近最优解——这是这篇理论工作里反直觉的核心发现。作者证明决策树和扩散过程在适当极限下共享同一个优化原则：Global Trajectory Score Matching（GTSM，全局轨迹分数匹配）。落地有两个方向：TreeFlow在表格数据生成上比扩散基线快2倍且质量更好；DSMTree把树的层级决策逻辑蒸馏进神经网络，多数benchmark上在2%误差内逼近teacher。真正有意思的不是「两类模型其实是一回事」，而是双向借鉴的可能性——梯度提升能借扩散的训练直觉来改造，扩散反过来也能借树的结构思路。工程上能落多远还要看后续工作，但理论桥已经搭起来了。
原文：Trees to Flows and Back: Unifying Decision Trees and Diffusion Models
