视觉验证器不再只答对错：OmniVerifier-C1把提示拆成子问题，ViVerBench总分升到0.684
核心概要
视觉验证器长期只输出真或假的二值判断，难以区分不同程度的部分正确。OmniVerifier-C1把复杂提示或环境规则拆成细粒度子问题，逐项做二值判断后按满足比例给出连续分数，并用解耦强化学习同时优化子问题判断与全局对齐打分。在ViVerBench上，以Qwen3-VL-8B为基座、经分级监督微调再加分级强化学习的版本总体得分为0.684，高于仅用二值强化学习的0.671。
深度剖析
视觉验证器的输出从单一的真假判断变成按子问题满足比例计算的连续分数，使部分正确的生成样本不再与质量更差的样本得到相同评价。 此前的视觉验证器只给出图像是否满足提示的二值结论，把质量不同的不完美样本压到同一个负标签上。 在ViVerBench这一多模态推理与评判基准上，Qwen3-VL-8B经分级监督微调再加分级强化学习后总体得分为0.684，而仅用二值强化学习的版本为0.671，先做二值监督微调再做二值强化学习的版本为0.672。
训练把一条样本拆成两类强化学习样本，一类学习全局对齐分数，另一类针对单个子问题学习二值答案，两类样本混合优化。 全局分数由子问题判断聚合而来，因此局部判断的准确性直接决定连续分数是否可靠。 在200条留出的二值子问题样本上，分级强化学习后的子问题判断准确率对GPT-5.5标注为94.5、对Gemini-3.1-Pro标注为96.0、对人类标注为94.0，而分级监督微调后分别为76.0、76.5和74.5。
在规则明确的世界建模任务中，验证器把真实目标图像作为额外输入直接比对，而不是先自行推断目标状态再判断。 逐点验证需要从初始状态和规则推出隐含目标状态，推理误差与判断误差会一起进入分数。 在Maze、Sudoku、辅助线作图、序列预测、单词搜索和3D投影六类游戏任务上，以Qwen-Image-Edit-2509为生成骨干，经监督微调后再做成对强化学习在Maze普通难度得85.31，逐点强化学习为67.81；Sudoku普通难度分别为89.97和77.74。
启示与展望
世界建模评测限定在规则明确、目标图像由初始状态和规则唯一确定的游戏类环境，包括Maze、Sudoku、辅助线作图、序列预测、单词搜索和3D投影及其困难版本；文本到图像评测使用GenEval与CLIPScore，验证器泛化评测使用ViVerBench。
成对验证的优势依赖真实目标图像可用，在目标不唯一、开放式场景中是否成立尚未检验；子问题数量并非越多越好，11–20个时平均对齐误差为0.039，而21–30个时为0.072，过多分解会引入冗余问题并可能破坏输出格式。