扩散OCR解码快3.2倍，单流架构2秒出片

重点关注

01 多模态 如果OCR不是「读」文档，而是「反推」渲染过程呢？

渲染引擎把Markdown源码变成排版好的PDF——MinerU-Diffusion反过来做：给定渲染结果，用扩散模型并行反推出结构化源码。这个逆渲染视角一旦成立，从左到右的自回归解码就不再是必需品，而是序列化格式带来的历史惯性。具体做法是用分块扩散解码器（block-wise diffusion decoder）替代逐token生成，配合不确定性驱动的课程学习策略来稳定长序列训练。效果上，解码速度比自回归基线快3.2倍，鲁棒性也有一致提升。团队还专门设计了Semantic Shuffle benchmark来测试模型是否真的在「看」文档而非依赖语言先验——扩散方案在这个测试上明显更强。110个HF upvotes加上开源代码，社区反馈说明这不只是理论上的优雅，做文档处理流水线的团队现在就可以跑起来试了。

原文：MinerU-Diffusion: Rethinking Document OCR as Inverse Rendering via Diffusion Decoding

02 推理 RLVR效果的关键在更新方向，不在幅度

Token级log概率变化的正负号，可能是理解RLVR（基于可验证奖励的强化学习）效果机制的更好切入点。这篇工作通过统计分析和token替换实验发现，相比散度、熵等幅度类指标，Δlog p的方向能更精准地定位那些稀疏但对推理至关重要的更新。基于这个发现，作者提出两个实用方法：推理时沿Δlog p方向外推策略来提升准确率，训练时对低概率token加权来加速学习——都不需要改架构，落地门槛低。思路直觉且验证扎实，但泛化性还需要在更多模型规模和任务类型下检验。

原文：On the Direction of RLVR Updates for LLM Reasoning: Identification and Exploitation

03 训练优化 多任务微调的隐性浪费：有些任务早已过拟合，有些还在收敛

同时微调多个任务时，各子数据集的学习速度天差地别——有些3个epoch就开始过拟合，有些10个epoch仍在收敛，但训练循环对所有数据一视同仁地分配计算。mSFT针对这个问题做了一件直接的事：迭代监控每个子数据集，一旦发现最先过拟合的就剔除它、回滚到该数据集的最优checkpoint，然后继续训练剩余部分。在10个benchmark和6个基座模型上持续优于4种baseline，且对唯一新增的超参数不敏感。更实用的发现是低计算预算下，mSFT在提升效果的同时降低了训练FLOPs——对资源有限的团队来说，这比绝对性能数字更值得关注。

原文：mSFT: Addressing Dataset Mixtures Overfitting Heterogeneously in Multi-task SFT

04 视频生成 视频GRPO训练为什么总崩？问题出在探索噪声偏离了流形

用FlowGRPO做视频生成对齐，训练不稳定几乎是常态。SAGE-GRPO找到了一个具体的结构性原因：探索阶段把ODE（确定性采样）转成SDE（随机采样）时注入的噪声，会把采样轨迹推离预训练模型定义的数据流形——rollout质量崩塌，奖励估计跟着变得不可靠，训练自然不收敛。修复思路是沿流形做受约束的探索：微观层面用对数曲率校正推导流形感知的SDE，宏观层面用双信赖域防止策略漂移太远。在HunyuanVideo1.5上的实验显示，视频质量、文本对齐、视觉指标都比之前的方法有一致提升。

原文：Manifold-Aware Exploration for Reinforcement Learning in Video Generation

05 模型架构 去掉跨注意力和多流设计，音视频联合生成反而更强了？

音视频联合生成领域近期的趋势是叠加专用模块：多流编码器、跨注意力对齐层、模态特定的训练策略。daVinci-MagiHuman把这些全砍了——文本、视频、音频token拼成一个序列，只用标准self-attention。工程上的收益很直接：不需要维护多流同步逻辑，推理优化（模型蒸馏、latent超分、Turbo VAE）可以直接叠加在标准Transformer上，单张H100生成5秒视频只要2秒。效果也没打折扣，人类评估对Ovi 1.1胜率80%，语音可懂度WER降到14.6%，在开源模型里最低。完整模型栈（基础模型、蒸馏版、超分模型、推理代码）全部开源，做音视频生成的团队可以直接用。

原文：Speed by Simplicity: A Single-Stream Architecture for Fast Audio-Video Generative Foundation Model