Modelo multimodal UniEvo-VL aprende com as próprias críticas em tempo de teste

A tese: um modelo, dois papéis

O artigo apresenta o UniEvo-VL, uma receita de treinamento para que modelos multimodais unificados - que combinam geração e entendimento no mesmo sistema - evoluam sozinhos usando suas próprias críticas como sinal de aprendizado, sem depender de um professor externo maior. A ideia é que, como o modelo gera e avalia imagens, ele pode atuar simultaneamente como professor e estudante em contextos diferentes.

Como funciona

No esquema proposto, o papel de estudante vê apenas a pergunta original, enquanto o papel de professor recebe como informação privilegiada a crítica produzida pelo próprio modelo. O treinamento minimiza a divergência por estado entre as distribuições de difusão (denoising) dos dois papéis, calculadas sobre as trajetórias de amostragem do próprio estudante - uma destilação on-policy, feita durante o compute de teste.

Resultados

Os experimentos foram construídos sobre o Qwen-image-2512, de pesos abertos. A abordagem elevou o desempenho no GenEval de 0,747 para 0,808 e no GenEval2 Soft-TIFA de 32,97 para 35,53, indicando ganhos na geração de imagens com manutenção da sensibilidade do modelo a informações adicionais de reflexão.

Ressalvas

Os autores apontam limitações: testes com críticos externos mais poderosos (como o GPT5.6-Luna) sugerem que modelos com forte capacidade de julgamento teriam um teto maior de autoevolução - ou seja, o ganho depende da qualidade do próprio juiz. Além disso, experimentos mistos de renderização de texto mostram que o autoaprimoramento pode não ser uniforme entre tarefas diferentes.

Conclusão

O trabalho se posiciona na linha de pesquisa de autoaprimoramento recursivo, com o objetivo de melhorar a experiência de uso de modelos multimodais sem supervisão ou orientação externa.