Flow Matching对齐的跷跷板难题有解了

当前文生图模型的对齐主流做法是用DPO或RLHF直接优化，但多个奖励函数一起训时经常出现'提升美学就牺牲指令遵循'的跷跷板现象。这篇的核心 trick 是把蒸馏拆成两阶段：先用 on-policy 采样生成高质量锚点，再用流形正则化把模型拉回到这些锚点周围，本质是约束优化空间来减少梯度冲突。

实验显示在HPSv2和ImageReward上同时提升，说明不是牺牲一个换另一个。不过论文没给训练成本数据，73个upvotes热度一般，建议等开源代码出来再评估复现难度。如果你团队正在用SD3或Flux做垂直场景微调，可以重点关注这个方法能不能替代现有的多奖励加权方案。