字节跳动 Seed 团队把 UniVR-34B 系列权重 + VR-X 数据集 + 训练代码以 CC BY 4.0 全量开源到 Hugging Face，提出第一个**直接从纯视觉演示**里同时学复杂推理、细粒度物理动力学和长程规划的框架。和主流 CoT 走文本中间步骤的路线相反，UniVR 直接在视觉空间里 next-token prediction 出推理轨迹，把图像序列当作思考的载体。架构基于 BAAI Emu3.5（34B VQ-VAE 统一生成模型），训练采用 SFT（310k 样本）→ VR-GRPO RL（3k 样本）两阶段。 最值得说的是 **VR-GRPO** 的奖励设计：传统 GRPO 只用全局奖励评估任务完成度，长程任务里很容易被 reward hacking；VR-GRPO 同时给一个 **Step-Focal 奖励**——用 rollout 样本间 CLIP 特征的方差定位最容易翻车的子步骤，再用 VLM 评估器细打分。最终 reward 设计成 R_reason = R_g − λ|R_g − R_s|，**既约束终端正确，又约束中间物理合规和逻辑连贯**。 在自建的 VR-X Benchmark（16 来源、6 任务类、1.8k 评测）上，UniVR 34B 拿到 **58.2 Overall**，**比 Emu3.5 baseline（39.8）提升 18.4pp**，Robot 任务涨 25.2、Editing 涨 15.8、Spatial 涨 11.2。横向看，**和 Gemini 3 Pro + Nano Banana 2（66.1）只差 8pp，但 UniVR 只有 34B 参数**——小一半的体量追到了闭源多模态组合的同一档。同时它在 MMMU/MME/MMBench/MathVista/MM-Vet 六个通用多模态基准上同步上涨，**没有任何主任务能力回退**。 我觉得这件事的行业信号是：视觉空间正在变成新的「思考媒介」。对机器人操控、工具调用、长程规划这类问题，把推理轨迹压在像素层比压在 token 层更自然——物理一致性、空间关系、动作衔接这些维度，文字 CoT 表达起来要绕一大圈，而图像天然就是连续的。同时 VR-GRPO 的双奖励结构也为长程 Agent RL 提供了一个通用模板：**别只看任务成败，去盯最容易崩的那几步**。字节这一手把 Emu3.5 的生成底座和 Seed 系列视频生成、UniVR 视觉规划拉到同一条表征轴上，下一步能不能把 Sora 2 / Gen-4.5 这一档的视频生成接进同一套视觉推理框架，值得看。