先写代码再画图，排版提升68%

重点关注

01 训练优化 Intrinsic reward先升后降，无监督RL训练的天花板在哪？

Intrinsic RLVR（用模型自身信号做奖励的无监督强化学习）近期实验不少，但多数工作只展示了「能涨」，没说清楚天花板在哪。这篇给出了迄今最系统的分析：先将URLVR方法分为intrinsic（模型自身信号）和external（外部计算验证）两类，再用统一理论框架证明——所有intrinsic方法本质上都在做同一件事：锐化模型的初始分布。当模型初始置信度与正确性对齐时，锐化有效；不对齐时，会灾难性崩溃。实验印证了这个结论：intrinsic reward在所有方法上都呈现先升后降的规律，崩溃时间点取决于模型先验质量而非工程调参。值得注意的是，intrinsic reward在小数据集的test-time training场景仍然有价值，论文还提出了Model Collapse Step作为预判指标——相当于在跑RL之前先做一次「可行性检查」。另一个方向是external reward的初步探索：利用计算不对称性（生成难、验证易）构建奖励信号，初步实验显示有望绕过intrinsic方法的置信度天花板，但目前还只是early evidence。

原文：How Far Can Unsupervised RLVR Scale LLM Training?

02 图像生成 代码即推理链：先写程序再画图，复杂排版提升68%

让模型先写一段代码再画图——听起来绕远路，但CoCo证明这恰恰是捷径。做法是让模型根据文本提示生成可执行代码来定义场景的空间布局，在沙盒中渲染出确定性草图，再精修为高保真图像。代码天然具备精确坐标、循环和条件判断，这些正是自然语言CoT（链式推理）描述不了的东西——尤其在密集文字排版和多元素复杂场景下差距巨大。在结构化布局基准上比直接生成提升68.83%，比其他CoT方法也全面领先，证明了程序化表达是比自由文本更好的空间推理语言。

原文：CoCo: Code as CoT for Text-to-Image Preview and Rare Concept Generation

03 Agent 只看正确示范，能学会判断力吗？

你可以通过看无数正确示范学会执行，但执行不等于理解——模型照着专家动作做，却从不对比好与坏，缺少对行动质量的判断力。有些工作尝试让模型模仿预写好的反思文本来弥补，但模仿反思和真正学会反思是两回事。ACT换了个思路：用RL训练模型在两个候选动作中判断哪个更好，根据判断正确与否给奖励，让模型自主发展出评估行动质量的能力。三个Agent benchmark上比模仿学习平均高5个点，比直接RL也高4.6个点，且泛化到分布外任务和通用推理——说明学到的是判断力本身，不只是任务特定的反应模式。

原文：Agentic Critical Training

04 模型架构 噪声越大的扩散步骤，其实只需要一张缩略图

尺度空间理论（scale-space theory）和扩散模型看似两个领域，但Scale Space Diffusion做了一个形式化的连接，结论有点反直觉：高噪声状态所包含的信息量，数学上等价于一张降采样后的低分辨率小图。换句话说，扩散模型在早期去噪步骤中用全分辨率处理，本质上是在对「不存在的细节」做无用功。基于这个发现，他们提出了Flexi-UNet——只在需要的分辨率和网络深度上做去噪，噪声大时处理小图，细节逐步出现时再提升分辨率。理论推导很优雅，但在CelebA和ImageNet上的实验还需要关注一个关键tradeoff：效率提升的同时，生成质量是否打了折扣，目前只看到了scaling行为分析，高质量生成场景下的表现有待验证。

原文：Scale Space Diffusion