GenEval

§ 01综述

GenEval是一个专注于生成模型评估与优化的新兴研究方向，近期在一步生成、多模态统一、可验证奖励等方面取得显著进展。

最近，DrPO提出了一种面向一步生成模型的偏好优化方法，通过直接偏好学习改进了生成质量，减少了对多步采样的依赖。(来源：DrPO：一步生成模型偏好优化的新方法)

CVQ引入了通道级向量量化技术，为图像生成提供了新的高效范式，有望提升生成模型的表征能力与计算效率。(来源：CVQ：通道级向量量化实现图像生成新范式)

字节跳动开源的Lance模型以3B参数实现了统一的理解与生成能力，展现了轻量级多模态模型的潜力。(来源：字节跳动开源轻量多模态模型Lance)

AlphaGRPO通过分解可验证奖励，使多模态生成模型具备自反思能力，探索了强化学习在生成流程中的应用。(来源：AlphaGRPO：用分解可验证奖励解锁多模态生成自反思能力)

Flow-OPD框架则针对Flow Matching模型，提出了在线策略蒸馏的后训练方法，有效提升了生成模型的推理效率。(来源：Flow-OPD：面向Flow Matching模型的在线策略蒸馏后训练框架)

当前焦点在于如何平衡生成质量与推理速度，以及多模态统一模型的泛化能力。未来可观察这些方法在实际应用中的表现，尤其是轻量化模型与复杂生成任务的契合度。

§ 02相关报道05 条在档

§ 03邻近话题