2025_NIPS_Vinci: Deep Thinking in Text-to-Image Generation using Unified Model with Reinforcement Le

Vinci 论文核心总结与翻译

一、主要内容总结

本文针对现有统一模型在图像生成与理解任务中缺乏端到端融合、跨模态推理链难以实现的问题，提出了首个具备深度推理能力的文本到图像生成模型 Vinci。该模型通过交错式多模态思维链（MCoT）实现图像生成与理解的深度整合，核心流程包括：

1. 冷启动阶段：利用少量MCoT数据初始化模型，通过三阶段数据 pipeline 构建包含图像生成、文本标注与推理链组合的训练数据，引导模型形成基础推理能力；
2. 强化学习优化：采用强化学习框架，设计三类奖励函数（基于程序的图像质量奖励、基于问答的文本质量奖励、基于动量的过程奖励），动态平衡即时性能与长期稳定性；
3. 实验验证：以 Emu3-Gen 为基础模型，在 Geneval 基准测试中实现比基线模型高 22% 的性能提升，在物体位置、颜色属性等关键任务上表现突出，验证了跨模态推理链整合的有效性。

二、创新点

1. 首个深度推理文本到图像生成模型：首次将交错式多模态思维链（MCoT）融入统一模型，使模型能实时观察、反思生成结果，实现图像生成与理解的端到端深度融合；
2. 基于动量的奖励函数：创新性地设计动量过程奖励函数，结合历史改进动态分配奖励，有效抑制多轮迭代中的性能波动，平衡即时效果与长期稳定性；
3. 渐进式训练策略<