OmniVerifier-C1 分解式分级视觉验证器

生成式视觉验证器在推进多模态智能方面发挥着关键作用。为提升视觉验证器在涉及组合性要求的复杂多模态场景中的鲁棒性，我们超越了仅产生 True/False 离散判断的传统二值验证器，引入了一种验证器，它能够自动将复杂提示词或环境规则分解为细粒度组件，并分配逐点分数，从而提供连续且信息更丰富的评判信号。我们的实验进一步表明，这些结构化且可解释的输出提升了验证器对域外多模态评判任务的泛化能力。为训练该验证器，我们引入了一种解耦 RL 训练策略，联合优化子问题级别的二值判断与全局对齐评分，利用精确的局部反馈来培养细粒度验证能力，从而为全局层面可靠的连续评分奠定基础。在通用强化学习框架下，我们首先通过实验证明，所提出的逐点评分验证器在传统文本到图像场景中显著优于二值验证器。随后我们将研究扩展到规则约束的生成式世界建模，其中生成模型被用于在显式规则下进行世界模拟与世界推理。从理论角度，我们进一步表明，当存在真实图像时，成对验证范式比逐点形式能产生更准确的评判，而在 Maze 和 Sudoku 等多样化结构化世界建模任务上的实验结果进一步验证了我们方法的有效性。总体而言，我们的发现揭示了一个关键洞见：从生成模型向结构化世界建模智能体的转变，关键取决于能否获得准确的成对分级视觉验证器。