各位早上好，今天周四，Paper Morning继续开播。
先说一篇关于图像生成的论文，标题是《Think in Strokes, Not Pixels》。这个工作提出了一个叫做“过程驱动图像生成”的范式，简单说就是不让模型一次性生成完整图像，而是让它像人画画一样，先规划布局、画草稿、审视、修改，一步步迭代完成。每一步都包含文本规划、视觉drafting、文本反思和视觉精修四个阶段。作者的核心主张是：当前的多模态模型虽然在文本-图像交错数据上训练，但能否真正“想象”出中间状态，这是一个很有趣的设问。这个工作的价值不在于图像生成效果本身，而在于它揭示了一个更根本的问题：我们如何让模型具备“思考过程”而不仅仅是端到端映射。这和我们做PDE求解时经常遇到的困境很像——我们有时只需要一个输入到输出的映射，但科学问题往往需要可解释的中间推理过程。这篇工作能否启发我们去设计更具过程性的neural operator？值得观察。
接下来聊一篇关于Agent训练中推理质量评估的工作，题目是《RAGEN-2: Reasoning Collapse in Agentic RL》。这个问题非常关键：我们训练多轮对话Agent时，常用entropy来衡量推理的多样性和稳定性。但这篇工作发现一个隐蔽的失败模式：即使entropy稳定，模型可能只是在使用看似多样但实际对所有输入都通用的固定模板。研究者把这种情况叫做“模板坍塌”，它完全无法被entropy检测到。作者提出的诊断方法很巧妙：把推理质量分解为“输入内的多样性”和“输入间的可区分性”，并引入互信息作为后者 的代理指标。这让我想到一个跨领域的联系——我们在训练物理信息神经网络时，是不是也经常被表面的loss下降所迷惑，而没有真正检验模型学到的物理规律是否对不同工况具有区分能力？这篇工作提醒我们：评估指标的设计本身就是一件需要深思熟虑的事情。
然后看一个benchmark工作，题目是《GBQA: A Game Benchmark for Evaluating LLMs as Quality Assurance Engineers》。这个工作很有意思，它用游戏开发作为场景，让LLM扮演QA工程师去自动发现bug。benchmark包含30款游戏和124个经过人工验证的bug。研究者用多Agent系统来规模化生成游戏和注入bug，同时有人类专家把关确保正确性。这是一个非常实际的应用场景——相比代码生成，bug发现需要理解动态运行行为，这对模型来说挑战更大。这让我想到一个问题：如果我们把“发现bug”理解为“在复杂系统中发现异常”，那么类似的能力是否可以帮助我们在科学计算中发现数值模拟中的异常？比如在CFD模拟中识别不稳定的计算结果？这种跨领域的迁移也许很有意思。
第四篇是关于大模型训练的《MegaTrain》，它实现了在单GPU上完成100B参数模型的全精度训练。传统GPU为中心的系统会把参数和优化器状态都放在显存，但MegaTrain选择把状态存在主机内存里，把GPU当作临时计算引擎。关键的技术突破有两个：一是流水线双缓冲执行引擎，重叠参数预取、计算和梯度卸载；二是用无状态的layer模板替代持久的计算图。这个工作的意义不仅在于让更多人能训练大模型，更重要的是它展示了一种“内存中心”的系统设计思路。这和我们做科学计算时经常面临的内存瓶颈问题有相通之处——当模型或求解器的规模超出单机显存时，我们不也得想办法通过计算通信重叠、内存卸载等手段来扩展吗？
最后聊一篇虚拟试穿的工作，题目是《Vanast》。它用一个统一的框架，从单张人物图、服装图和姿态引导视频，直接生成换装后的人物动画视频。传统两阶段pipeline会把虚拟试穿和姿态驱动分开处理，容易导致身份漂移、服装扭曲等问题。Vanast的创新在于一步完成整个过程，并构建大规模的三元组监督数据。这个工作表面上是应用导向，但底层涉及的多模态理解和时序一致性生成能力，其实和科学模拟中的一些挑战是相通的——比如如何在保持物理一致性的同时生成符合约束的动态序列。
好，今天的播报接近尾声。我观察到这几篇论文有一个共同的隐性主题：无论图像生成、Agent训练、bug发现、大模型训练还是虚拟试穿，研究者们都在面对一个核心挑战——如何在复杂系统中保持过程的可控性和输出的可靠性。从过程驱动的图像生成，到更精细的推理质量评估，再到内存中心主义的训练系统，这似乎反映出一个趋势：研究者们开始不再满足于“能做到”，而是更关心“如何理解和控制这个过程”。这和我们AI for Science社区关心的问题本质上是相通的——我们要的不仅是预测，更是可解释、可控、可信赖的科学计算工具。好了，各位早安，Paper Morning明天继续。