Arena 组合偏好与评分表奖励后训练,FLUX.2-dev 涨 69 Elo

Arena 发布技术博客详解文生图模型后训练方法,指出人类偏好奖励必要但不充分,偏好模型仍会奖励看似漂亮却漏细节、加无关内容或存在 reward-hacking 的输出。其方案在约 500 万条两两偏好投票上训练奖励模型,并用视觉语言模型自动构建 rubric,评估图像是否遵循 prompt、满足约束,将偏好信号与显式 rubric 奖励结合进行后训练。结果显示 FLUX.2-dev 提升 69 Elo,冲上 T2I 榜第二。

2026-10-02 ~ 2026-10-03 · 3 条相关

另有 1 条近重复转述:infwinston