Flux2dev通过组合偏好与标准奖励优化文生图模型后训练提升69分

发生了什么

据Hugging Face Papers报道，一项研究提出了一种基于组合互补奖励信号的后训练配方，用于开放域文生图模型。该方法结合基于Bradley-Terry目标训练的偏好奖励和评估提示忠实度的评分奖励。在Arena文生图排行榜上，经过RL训练的Flux2dev比基础模型高出69个Elo等级，而Post-trained Ideogram-4以1223.5的Elo得分超越所有开源模型。