研究者提出组合奖励的文生图后训练方法

Yuanhao Ban 等作者提出一种面向开放域文生图的简单后训练方案，将两类互补奖励信号组合使用：偏好奖励用 Bradley-Terry 目标在大规模人类偏好数据上训练，评分规则奖励则评估提示词忠实度并防止奖励攻击。 作者同时发布 Arena-T2I-Training 数据集，为训练数据的 1K 子集，称可复现全量训练的部分增益，以支持后续研究。作者称该方法达到当前最优表现，但这一说法基于 2026 年 9 月 4 日的 Arena 排行榜快照。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。