RL训到图像生成，Gemma 4开源

重点关注

01 训练优化 选优化器这件事，第一次有了一张可查的地图

过去选优化器基本靠两条路径：跟着最新论文追号称SOTA的新方法，或者干脆默认AdamW。OmniOpt没有再造一个「更好的优化器」，而是把选择这件事重新定义成受compute、显存、调参预算和任务多样性联合约束的系统级决策。它的核心手法是把每一次参数更新拆成一个五阶段的meta-pipeline（结构化变换流程），结果发现一百多个方法里大多数只动了其中一两个阶段——换句话说，很多「新优化器」在机制上的差异比论文标题看起来要小。在此基础上，它用范数约束的线性极小化视角把不同方法放到同一套几何坐标里，再配一个横跨语言模型预训练到图像分类的跨域benchmark，把各个方法家族在不同训练目标下的取舍摊开对照。要说清楚局限：survey加benchmark本身不产出新方法，它的价值不在「更快更强」，而在于把一个碎片化、靠口耳相传的领域收拢成一张能查的地图。

原文：OmniOpt: Taxonomy, Geometry, and Benchmarking of Modern Optimizers

02 模型架构 换掉你手里的自托管底座，够格了吗

开源权重的选型问题从来不是「跑分谁高」，而是「哪个能当默认值放进生产」。Gemma 4这次给了一整条线：2.3B到31B，dense和MoE（专家混合，只激活部分参数）两种架构并存，全系列原生多模态还带了个可开关的thinking模式（回答前先生成推理链）。真正值得从业者盯的是三个尺寸区间——最小的2.3B是不是能塞进本地和边缘设备、当端侧默认权重；中间的12B用了无编码器的统一架构、直接吃原始音频和图像patch，省掉一层预处理值不值；而MoE版本的性价比要看激活参数对推理成本的实际影响，不能只看总参数。它对标的是你现在自托管栈里那个「默认底座」的位置，能不能替换掉，得拿自己的场景和延迟预算实测，光看human-rated对齐前沿开源模型这一句还不够。

原文：Gemma 4 Technical Report

03 视频生成 游戏世界不再靠人搭，改由模型现场一帧帧生成

游戏世界一直是靠美术、关卡、物理逐块手工搭出来的生产管线，AlayaWorld直接把这套换掉：用视频世界模型自回归合成下一帧观测，条件挂在当前世界状态和用户操作上，于是战斗、施法、召唤怪物都能在线实时生成出来。真正有意思的不是「又生成了一段更长的视频」，而是它瞄准替换的是内容生产这条管线本身——世界不再被作者预先写死，而是随着你的动作一帧帧长出来。这是个全栈开源框架，从数据准备、模型训练到推理加速和部署全都放出来了，还带可复现管线和评测工具。判断它的价值别只看单帧画质，得看两个真门槛：长时程一致性（走远了回头场景还在不在）和交互延迟（按下键到画面响应有多快）。这两条守住了，可玩的生成世界才算立得住，而它选择开源全套，等于把这条赛道的地基公开摆出来了。

原文：AlayaWorld: Long-Horizon and Playable Video World Generation

04 多模态 RL终于训到了图像生成这一步

交错文图推理里藏着一个不对称：只有文本步走policy gradient，图像生成被降级成监督替身，梯度根本传不过整条跨模态轨迹——所谓「用RL训推理」，其实一直没真正训到生成那一步。BRAID把多轮「文本-图像-文本」推理整体建模成一个马尔可夫决策过程，用一个统一的RL目标同时优化文字和图像——算一个轨迹级的advantage，再按各自模态原生的方式分别回传到文本token和图像去噪路径。为了解决长链条的信用分配，它还加了个VLM裁判给每张中间图像的「推理有用性」打分，提供密集的逐轮反馈。空间推理和视觉感知benchmark上稳定超过基线，具体分数意义有限，真正值得记的是：生成这件事第一次被认真纳入了可被reward塑形的对象。

原文：Bridging Interleaved Multi-Modal Reasoning as a Unified Decision Process