SymbOmni：通过符号概念学习进化 Agentic Omni 模型

视觉生成在从文本到图像/视频合成到多模式交互创作的各个领域中越来越普遍。然而，流行的整体模型仍然从根本上受到其无法累积学习和自主进化的限制，这是我们称之为“永远的新手”问题的限制。他们缺乏将经验结构化为可重用知识的机制，因此每项任务都依赖于脆弱的、“从头开始”的推理，导致组合概括性差和知识保留效率低。受这些限制的启发，我们提出了 SymbOmni，这是一种代理全模型，旨在通过符号概念学习进行累积进化。其核心是符号概念盒，这是一个可优化的内存模块，可将底层操作抽象为可重用的符号工作流程指令。 SymbOmni 通过归纳-转换循环进行操作：经验被抽象为符号概念（归纳），然后自适应地组合这些概念来解决新任务（转换）。训练是通过语言反向传播和基于语言的反馈来完成的，以实现持续的自我改进，而无需基于梯度的模型 微调。综合实验验证，（I）SymbOmni在迭代创建方面显着优于现有的基于代理的系统，并且在图像质量和任务成功率方面也超越了闭源模型（例如Nano Banana，GPT-Image-1）； （二）SymbOmni有效降低词元消耗40%以上，同时保持有竞争力的生成质量； (III) SymbOmni 通过在多个在线学习基准上实现累积收益并设定新的技术水平，实现有效的持续学习。