后训练微调

VA-π：面向像素感知自回归生成的变分策略对齐

VA-p: Variational Policy Alignment for Pixel-Aware Autoregressive Generation

将自回归生成器的词元似然优化与像素空间重建质量对齐，通过变分ELBO和强化学习策略（以重建质量为内在奖励）实现轻量后训练，可直接用于提升现有AR生成模型（如LlamaGen、Janus-Pro）的生成质量，无需重训分词器或外部奖励模型。