一句话看懂：一篇新论文提出把人类偏好奖励与规则评分奖励组合起来，对文生图模型做后训练，使 Flux2dev 在 Arena 榜单 Elo 提升 69 分，并称后训练的 Ideogram-4 达到 1223.5 分。值得关注的是，它试图解决单一奖励信号难以覆盖用户意图、又容易被优化“钻空子”的问题。
事件核心：发生了什么
根据 Hugging Face Papers 收录的论文摘要，研究团队针对开放域文生图模型提出了一套后训练方案，核心是把两类互补的奖励信号组合使用：一类是在大规模人类偏好数据上用 Bradley-Terry 目标训练的偏好奖励，用来捕捉整体审美和感知偏好；另一类是规则评分奖励，用来评估提示词忠实度等具体属性，并降低奖励被滥用的风险。作者指出，简单把两类奖励做加权平均会导致优化行为不理想，因此提出了更有效的组合策略来平衡偏好优化与规则满足。
在 Arena 文生图排行榜上，他们称经强化学习训练的 Flux2dev 比基础模型 Elo 高 69 分，后训练的 Ideogram-4 超过榜单上所有开源模型，Elo 达到 1223.5。上述结论对应 2026 年 9 月 4 日的榜单快照，且目前公开信息来自论文摘要，不代表完整实验已经核验或产品已上线。
为什么重要
文生图模型的基础能力提升后，后训练越来越成为拉开差距的环节。但图像生成没有像文本任务那样统一、明确的奖励标准：偏好模型能反映“好不好看”，却可能忽略提示词里的具体约束；规则评分能检查指令遵循，却很难覆盖开放域创意。这项工作的价值在于提出一种组合思路，试图把审美对齐和任务可靠性放在同一个优化框架里，而不是二选一。对行业来说，如果这类方法可复现，可能会影响开源模型追赶闭源模型的路径，也会让“奖励设计”成为图像生成竞争的新变量。
对用户/开发者/创作者的影响
对普通用户，短期影响取决于这类后训练能否落地到可用的图像生成产品中。如果提示词忠实度和整体观感同时改善，创作者在生成海报、插画、产品概念图时，可能减少反复改提示词和手动修图的成本。对开发者，论文开源的 Arena-T2I-Training 1K 训练数据子集值得关注，但它只是训练数据的一部分，不能等同于完整训练配方或可直接复现的模型权重。企业在评估图像生成 API 或自部署方案时，可以留意供应商是否公开后训练策略和评测口径，而不只看单次 Elo 排名。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是看这套组合奖励策略是否会在更多开源模型上复现，特别是 Flux2dev 和 Ideogram-4 之外的模型。二是看 Arena-T2I-Training 这类发布能否带动更多可复现的后训练研究，而不仅是单次榜单成绩。三是看奖励组合方法是否会进入商业图像生成产品的迭代流程，并反映在 API 价格、生成质量和版权合规策略上。
