4步超100步基线，跳层省18%算力

重点关注

01 训练优化 人类说「这张不好」——扩散模型现在听得懂了

少步扩散模型做RL有个尴尬的限制：奖励信号必须可微。美学评分可以，但人类最直觉的反馈——「好/不好」的二元判断、「数数对不对」、「有没有安全问题」——这些不可微的信号全被挡在门外。TDM-R1的解法是把学习过程拆成两步：先用一个代理模型学习不可微奖励的近似表示，再用这个代理奖励去训练生成器。关键技巧是沿着TDM（轨迹分布匹配）的确定性生成轨迹提取逐步奖励信号，这样每一步去噪都能拿到反馈，而不是只看最终结果。效果相当扎实：4步生成不仅打平了100步的基线，在文字渲染、视觉质量、偏好对齐上全面超越，包括域外泛化指标。这意味着扩散模型的RLHF不再被锁在「只能优化美学评分」的小圈子里，人类偏好、安全检查、物体计数这些实际业务中最需要的信号都能接入了。

原文：TDM-R1: Reinforcing Few-Step Diffusion Models with Non-Differentiable Reward

02 代码智能 代码模型的RL训练，从「能不能做」到「怎么做好」

同一天，两个团队分别撞上了代码模型RL后训练的不同瓶颈。MicroCoder-GRPO发现GRPO训练代码模型时输出越长梯度越不稳定，解法是条件截断掩码——对长输出的梯度做选择性截断，同时用多样性驱动的温度策略防止模型塌缩到单一解法。另一个团队从数据端发现了类似的问题：现有代码训练集的难度分布严重失衡，简单题占比过大，模型在RL阶段学不到东西，他们用LLM做难度标定和过滤来构建更有梯度的训练集。两篇合在一起看，代码模型的RL后训练已经过了方法论验证阶段，进入具体问题具体解的工程优化期。

原文：Breaking Training Bottlenecks: Effective and Stable Reinforcement Learning for Coding Models | Scaling Data Difficulty

03 多模态 从网络视频里「长出」百万级3D标注，不靠人工

Holi-Spatial直接从网络视频流中提取出了百万级3D标注——1.2万个3DGS场景、130万个2D掩码、32万个3D包围盒、120万条空间问答对，整个pipeline全自动，不需要人工介入。这条路径绕开了现有3D数据集靠人工标注、规模天花板肉眼可见的瓶颈。数据集覆盖几何、关系和语义推理任务，用它微调VLM后空间推理能力有明显提升，说明数据规模的杠杆效应确实存在。

原文：Holi-Spatial: Evolving Video Streams into Holistic 3D Spatial Intelligence

04 模型架构 同样跳层加速，扩散LLM能省18%算力，自回归模型直接崩盘

同样是语言模型，自回归（AR）和扩散（dLLM）在内部表征结构上有根本差异——这是首个系统性的逐层对比研究给出的结论。LLaDA、Qwen2.5、Dream-7B三个模型的逐层分析显示，扩散目标会产生更层次化的抽象表征，前面的层存在大量冗余；而AR模型各层紧密耦合，跳过任何一层性能都会急剧下降。一个值得注意的发现：用AR权重初始化再做扩散训练的Dream-7B，表征模式仍然更像AR而非原生扩散模型，初始化的影响比训练目标更持久。基于这种冗余特性，原生dLLM可以直接跳过部分层，减少18.75%计算量且在推理和代码生成任务上保持90%以上性能——不需要改架构，也不依赖KV缓存共享。

原文：Skip to the Good Part: Representation Structure & Inference-Time Layer Skipping in Diffusion vs. Autoregressive LLMs