KAIST 提出 LARC：连续潜空间推理让统一多模态模型可测试时扩展

kaist-ai · hf · 2026-11-02

KAIST/POSTECH 等机构的 LARC 针对统一多模态模型（UMM）的「模态错配」问题：推理发生在离散 token 空间，而图像生成在连续空间，导致语言式思维链难以提升图像生成。LARC 让模型在连续隐状态上推理，绕开 token 瓶颈，训练分两阶段：课程式 SFT 将 token 级推理逐步转化为潜空间推理，再用信息增益 RL 在无真值监督下自我进化。实验显示 LARC 在 GenEval 上取得 SOTA，比 BAGEL 高 7 个百分点，并展现清晰的测试时扩展行为，在并行与串行两种策略下均超过基于 token 的生成。