文章核心總結與創(chuàng)新點主要內(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致性能下降，提出ParaBench基準用于評估文本-圖像對齊質(zhì)量，進而設計MMaDA-Parallel并行多模態(tài)擴散框架，通過雙向跨模態(tài)交互和軌跡級強化學習（ParaRL），解決推理與生成的對齊問題，在復雜圖像編輯和生成任務中實現(xiàn)性能提升。核心創(chuàng)新點ParaBench基準：首個同時評估文本推理質(zhì)量、圖像生成質(zhì)量及跨模態(tài)對齊的基準，含300個挑戰(zhàn)性提示（200個編輯任務、100個生成任務），覆蓋空間、時間、因果等多類推理場景。并行多模態(tài)擴散框架：突破序列生成限制，文本與圖像在整個去噪過程中同步生成，通過雙向注意力實現(xiàn)實時交互，避免誤差累積。ParaRL強化學習：軌跡級優(yōu)化策略，在去噪每一步施加語義獎勵，而非僅優(yōu)化最終輸出，強化跨模態(tài)一致性。數(shù)據(jù)構建方案：通過VLM為圖像編輯/生成數(shù)據(jù)生成推理軌跡，構建含15萬樣本的四元組訓練集（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雜任務性能，但我們發(fā)現(xiàn)現(xiàn)有序列自回歸方法存在一個關鍵失效模