清华大学与字节跳动Seed联合推出OmniVerifier，AI首次具备自我审查视觉输出能力并在基准测试中超越GPT-4o

数智朋克讯，清华大学与字节跳动Seed联合推出OmniVerifier，这一生成式通用验证器首次赋予AI自我审查视觉输出的能力。该系统通过精准识别并修正图像生成与视觉分析中的错误，在ViVerBench基准测试中超越GPT-4o，为构建可靠的多模态AI奠定基础。当前多模态大语言模型虽能处理图文任务，却常出现描述与图像不符的缺陷，例如生成红色气球时误作绿色，或空间关系错乱，且无法自检。

OmniVerifier的视觉验证能力分解为显式对齐、关系验证和集成推理三个组件，整体表现提升8.3个百分点。其顺序处理范式OmniVerifier-TTS在测试时缩放中实现逐步改进，效率较并行方式提升53%，仅需47%时间即达更优效果，如在T2I-ReasonBench和GenEval++任务分别提升3.7分和4.3分。该系统已扩展至世界建模场景，如迷宫导航中纠正穿墙错误，或机器人堆积木时指导逻辑顺序。

自我验证能力对医疗影像诊断、自动驾驶路况分析及创意设计至关重要，OmniVerifier通过强化学习自发涌现链式推理模式，训练高效性源于原子能力泛化，无需任务专属数据。然而，视觉模式差异大的领域如迷宫导航仍需专门训练，且多步骤改进可能引发风格偏黄问题。研究团队计划扩大验证器规模并探索多模态后训练潜力，推动AI向可信赖方向演进。