世界模型全文深读与原图讲解

OmniVerifier-C1：把图像状态变化拆成可检查的小条件

用分级验证奖励训练图像生成与编辑，但“得分高”不等于完整任务解对。

清华大学、高德 Alibaba、Microcyto、北京大学等预印本首发 · 近7日补收 2026.10.15

实现可见 · 许可与C1权重待核

IN A NUTSHELL

规则图像编辑要同时满足多个状态条件，单一对错奖励很稀疏。OmniVerifier-C1 将要求拆成原子检查，以满足比例训练验证器，再用验证奖励优化生成模型。本篇归入世界模型的状态转换评估：它不预测通用物理动态，重点是如何判断生成的下一状态是否遵守规则。

图解主要方法

用分级验证奖励训练图像生成与编辑，但“得分高”不等于完整任务解对。

1
图2：先生成和筛选分解监督
借助 Seed1.8 产生分解和推理，GPT-5 的 best-of-10 结果用于筛选，剔除过低质量并减少全对样本，避免训练只见简单答案。图像提示与样本来自多个公开数据和生成器，教师标注仍可能把共同偏差传给学生。
2
分开训练总体评分与二值检查
每题生成 K+1 个样本，一个预测全局分数，其奖励为1−绝对评分误差，K个分别回答原子问题并按对错奖励。Qwen3-VL-8B 用 DAPO 训练80步、16张 A800 80GB，让验证器学会在部分正确时给出中间分数。
3
区分两种验证输入
Pointwise 根据原图、指令和生成图推断正确状态；pairwise 额外获得真实参考目标图。因此 pairwise 更高不是纯粹换一种措辞，而是增加了正确答案信息；它也不是在两个候选作品之间做人类偏好排序。分解准确时 z/K 的单调性是条件结论。
4
用验证奖励训练生成模型
NFT 用200步、16张 A800 更新 SD3.5、FLUX 或 Qwen-Image-Edit-2509 的 DiT，文本编码器冻结。原子检查允许部分成功获得学习信号，但奖励的可靠性取决于题目拆解和视觉判断，检查项越多并非总是更准确。

已阅读正文与全部公开附录，核对实验条件与原图；未独立复现。

来源证据ViVer 总体从0.654到0.684，二值方案0.672；Dphy子项却从0.593到0.582。FLUX 的 GenEval 从0.68到0.79，二值训练0.70。验证器与图像生成 ↗

我的解读总体改善支持分级奖励，但没有所有能力一致提高，标准图像生成结果也不能直接替代状态转移测试。

来源证据Maze 的报告评分为基础17.31、SFT56.77、pointwise67.81、pairwise85.31；MazeHard 相应 SFT18.96、pointwise34.78、pairwise51.92。六类规则游戏与难例 ↗

我的解读这里是评估器的分级百分制评分，不应写成完整迷宫解题成功率；参考目标可用的设置也不同于真实未知未来。

来源证据200条子问题由5位评审各评40条，正确性从SFT74.5%到94%；不是每条都获5人独立标注。分解误差在≤10、11–20、21–30项时为0.083、0.039、0.072。人工检查及分解长度 ↗

我的解读人工结果是小规模题目正确性抽查；外部 Gemini 评估仍依赖同类分级框架，应增加确定性状态执行器，防止只优化评审口味。

Cominclip/OmniVerifier 仓库可见 C1 专用 pointwise、pairwise 训练脚本和配置，但本次未找到覆盖根目录的明确许可证；README 的旧 OmniVerifier-7B 权重不等于 C1 权重已发布。仅标实现可见，不笼统称完整开源。

LICENSE作者版权；arXiv非独占托管许可

独立分析 · 未复现实验

将稀疏对错拆成条件满足度，给图像状态编辑提供更密集的反馈；同时提供验证器、生成和规则任务结果，有助检查奖励能否传导到下游。

参考答案辅助的 pairwise 有额外信息；视觉评审错误、原子条件缺失和教师偏差可能形成奖励漏洞。未证明开放世界随机多解情况下可用，也没有把高评分转化为可执行物理一致性的验收。

可作为受限规则世界和图像编辑的训练评审器，不能单凭分级评分宣称世界模型理解物理或完整解题。

未执行的验证方案：对迷宫与数独接入确定性求解器，同报完整解对率、原子满足率和非法状态率；分别禁止或允许目标参考图，并用未见规则测试奖励投机。