Naukowcy przedstawili OmniHarness - framework do generowania obrazów oparty na symbolicznym uczeniu polityk. Zamiast trenować modele na konkretnych zadaniach wizyjnych, system abstrahuje sprawdzone procedury w postaci ogólnych reguł, które można następnie adaptować i łączyć dla nowych wyzwań. Kluczowe innowacje to weryfikacja pośrednia podczas wykonywania zadań, szybka korekcja błędów oraz samodzielny trening na zadaniach praktycznych przed postawieniem rzeczywistych celów.
Metoda działa z trzema różnymi backbonami modeli multimodalnych i trzema frameworkami agentów wizyjnych, co wskazuje na jej uniwersalność. Wyniki są imponujące - na benchmarku ComfyBench Creative Tasks system osiągnął 95% wskaźnik rozwiązań, przewyższając poprzedni rekord o 27,5 punktu procentowego. To szczególnie ważne, bo pokazuje że stare "mrożone" polityki mogą poprawiać wydajność istniejących systemów.
OmniHarness rozwiązuje trzy długotrwałe problemy w wizyjnym AI: niską transferowalność wiedzy między zadaniami, brak natychmiastowej refleksji w trakcie działania, i pasywne uczenie się tylko na podstawie zleceń zewnętrznych. Autonomiczne generowanie zadań treningowych i stała optymalizacja polityk bez zmian parametrów modelu otwiera nowy kierunek dla bardziej elastycznych i niezawodnych systemów generatywnych.