一句话看懂：论文 LARC 提出在连续潜在空间中做推理，让统一多模态模型在图像生成时摆脱离散 token 推理的瓶颈，在 GenEval 上较 BAGEL 提升 7 个百分点，并显示出测试时扩展（test-time scaling）行为。
事件核心：发生了什么
据 Hugging Face Papers 收录的论文摘要（2026 年 10 月 30 日发布），统一多模态模型（UMMs）在多模态理解与生成上已取得不错表现，但难以把语言链式思维（CoT）有效用于图像生成。作者把原因归结为模态错配：推理发生在离散 token 空间，而图像生成发生在连续空间。为此论文提出 LARC（Latent Reasoning in Continuous space）框架，直接在连续隐状态上推理。训练分两阶段：先用课程式监督微调（SFT）把 token 级推理逐步转为潜在推理，再用信息增益强化学习（RL）在无真值监督下自我进化。摘要称在多个文生图基准上，LARC 在生成质量、提示词遵循和组合保真度上均有提升，GenEval 上比 BAGEL 高 7 个百分点，并在并行与串行两种测试时扩展策略下优于基于 token 的生成。目前公开信息仅为摘要，未核验全文实验细节，也不代表已有产品上线。
为什么重要
当前多数多模态模型的“先想后画”仍沿用文本 token 推理，算力花在离散序列上，生成端却要映射回连续特征，中间存在损耗。LARC 把推理和生成放到同一连续空间，若结论成立，说明推理增强有望更直接地转化为画质与可控性，并让图像生成获得类似大模型的训练时长与推理算力扩展收益。这条路线若被复现，可能影响开源与闭源统一多模态模型的技术路线选择。
对用户/开发者/创作者的影响
对创作者，潜在推理若落地，可能带来更准确的复杂提示词遵循和构图控制；对开发者，LARC 的两阶段训练思路可作为微调参考，但摘要未披露模型规模、数据与算力门槛，短期不宜当作可直接调用的 API 或开源工具。从事图像生成应用和企业采购的团队，更值得关注其“提示词遵循”与“组合保真度”这两项能力是否在真实产品中稳定复现。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文全文与代码是否公开，两阶段训练能否被独立复现；二是 GenEval 等基准上的提升能否迁移到真实生成场景，测试时扩展的收益是否随算力增加持续；三是后续是否出现基于连续潜在推理的统一多模态模型或相关产品跟进。
