文章核心總結(jié)與創(chuàng)新點(diǎn)主要內(nèi)容該研究聚焦思維感知型多模態(tài)生成的核心問題——現(xiàn)有序列自回歸模型因誤差傳播導(dǎo)致性能下降，提出ParaBench基準(zhǔn)用于評(píng)估文本-圖像對(duì)齊質(zhì)量，進(jìn)而設(shè)計(jì)MMaDA-Parallel并行多模態(tài)擴(kuò)散框架，通過雙向跨模態(tài)交互和軌跡級(jí)強(qiáng)化學(xué)習(xí)（ParaRL），解決推理與生成的對(duì)齊問題，在復(fù)雜圖像編輯和生成任務(wù)中實(shí)現(xiàn)性能提升。核心創(chuàng)新點(diǎn)ParaBench基準(zhǔn)：首個(gè)同時(shí)評(píng)估文本推理質(zhì)量、圖像生成質(zhì)量及跨模態(tài)對(duì)齊的基準(zhǔn)，含300個(gè)挑戰(zhàn)性提示（200個(gè)編輯任務(wù)、100個(gè)生成任務(wù)），覆蓋空間、時(shí)間、因果等多類推理場(chǎng)景。并行多模態(tài)擴(kuò)散框架：突破序列生成限制，文本與圖像在整個(gè)去噪過程中同步生成，通過雙向注意力實(shí)現(xiàn)實(shí)時(shí)交互，避免誤差累積。ParaRL強(qiáng)化學(xué)習(xí)：軌跡級(jí)優(yōu)化策略，在去噪每一步施加語義獎(jiǎng)勵(lì)，而非僅優(yōu)化最終輸出，強(qiáng)化跨模態(tài)一致性。數(shù)據(jù)構(gòu)建方案：通過VLM為圖像編輯/生成數(shù)據(jù)生成推理軌跡，構(gòu)建含15萬樣本的四元組訓(xùn)練集（輸入圖像、指令、推理軌跡、輸出圖像），支撐監(jiān)督微調(diào)。翻譯部分（Markdown格式）Abstract思維感知型生成旨在提升復(fù)雜任務(wù)性能，但我們發(fā)現(xiàn)現(xiàn)有序列自回歸方法存在一個(gè)關(guān)鍵失效模