智東西作者 陳駿達編輯 心緣

那些畫風(fēng)“油膩”的AI生圖，終于有救了？

智東西9月16日報道，騰訊近期開源勢頭太猛了，最新發(fā)布的圖像模型算法SRPO登上Hugging Face趨勢榜首，并在趨勢榜前3占2。

目前Hugging Face模型趨勢榜前6中，有5個均來自國內(nèi)企業(yè)，被騰訊、百度、阿里包攬。

SRPO由騰訊混元生圖團隊聯(lián)合香港中文大學(xué)（深圳）、清華大學(xué)聯(lián)合開發(fā)，9月13日開源，已發(fā)布完整訓(xùn)練代碼及技巧，社區(qū)量化版本下載量達1.6萬次，Github Star數(shù)量超過600。

SRPO的全稱是Semantic Relative Preference Optimization（語義相對偏好優(yōu)化），旨在解決當(dāng)前開源社區(qū)中熱門AI生圖模型Flux生成人像時皮膚質(zhì)感差、過于油膩的問題。

通過在線調(diào)整獎勵偏好、優(yōu)化早期生成軌跡等手段，SRPO可改善圖像生成效果，能將模型生成圖片的真實度、美學(xué)優(yōu)秀率的人類評估提升超300%。

▲Flux與SRPO生成效果對比

在取得更好效果的同時，SRPO大幅提升了訓(xùn)練效率，在32卡設(shè)置下，僅需10分鐘（5.3GPU卡時）就可以完成訓(xùn)練，效率相比DanceGRPO提升了75倍。

開發(fā)者可在ComfyUI中使用SRPO，僅需將下圖導(dǎo)入ComfyUI即可獲取完整工作流，或者直接加載SRPO-workflow的JSON文件。

目前，SRPO已被上傳至Hugging Face、Github等開源托管平臺，相關(guān)技術(shù)報告已發(fā)布。

論文鏈接：

https://arxiv.org/abs/2509.06942

項目主頁：

https://tencent.github.io/srpo-project-page/

GitHub：

https://github.com/Tencent-Hunyuan/SRPO

Hugging Face：

https://huggingface.co/tencent/SRPO

開源社區(qū)還在其基礎(chǔ)上制作了多個量化版本。

量化版本鏈接：

https://huggingface.co/wikeeyang/SRPO-Refine-Quantized-v1.0

https://huggingface.co/befox/SRPO-GGUF

https://huggingface.co/rockerBOO/flux.1-dev-SRPO

一、引入新型采樣策略，給去噪提供“標(biāo)準答案”

在SRPO中，研究團隊引入了一種用于擴散微調(diào)的新型采樣策略Direct-Align，可以有效地恢復(fù)高度噪聲的圖像，從而使優(yōu)化過程更加穩(wěn)定且計算要求更低，尤其是在初始時間步驟中。

當(dāng)前主流的方法主要依賴多步采樣器（如DDIM）結(jié)合直接梯度反傳來將生成過程與獎勵偏好對齊，計算成本高且容易出現(xiàn)梯度爆炸和優(yōu)化不穩(wěn)定。因此，現(xiàn)有方法通常只能優(yōu)化生成軌跡的后半段。

這種“僅優(yōu)化后半段”的策略極易導(dǎo)致獎勵模型在高頻信息上的過擬合問題。實驗結(jié)果表明，模型會逐漸學(xué)會“鉆獎勵模型的空子”——具體表現(xiàn)為：HPSv2獎勵模型會偏好偏紅色調(diào)的圖像，PickScore傾向于紫色圖像，而ImageReward則容易對過曝區(qū)域給出過高評分。

SRPO的研究團隊發(fā)現(xiàn)，解決采樣瓶頸的秘密就在于擴散模型的前向公式：中間圖像是噪聲和干凈圖像的插值。這一發(fā)現(xiàn)表明只要掌握噪聲先驗的參考信息，就可以通過精確插值重建擴散軌跡上的任意中間狀態(tài)。

基于這一理論發(fā)現(xiàn)，該團隊創(chuàng)新性地提出了Direct-Align方法：首先對輸入圖像進行可控的噪聲注入，隨后通過單步模型推理，最后借助預(yù)先注入的噪聲作為“參考錨點”進行圖像重建。

這種帶有“標(biāo)準答案”的去噪方式，相比ReFL等直接依賴模型預(yù)測的傳統(tǒng)方法，顯著降低了重建誤差，實現(xiàn)了更精準的獎勵信號傳導(dǎo)。

二、有效避免獎勵破解，給模型加上“語義方向盤”

SRPO的研究團隊改進了直接利用獎勵信號進行反向傳播的方法（例如ReFL和DRaFT）的訓(xùn)練策略，并直接使用負獎勵對模型進行正則化，無需KL散度或單獨的獎勵系統(tǒng)。同時，該團隊還首次在模型中加入了動態(tài)可控的文本條件，能夠在獎勵模型范圍內(nèi)動態(tài)調(diào)整對風(fēng)格的獎勵偏好。

上述調(diào)整的原因是，文生圖的在線強化學(xué)習(xí)方法（如ReFL、DRaFT）通過直接采樣圖片并反傳可微獎勵梯度，訓(xùn)練效率高，但高度依賴預(yù)訓(xùn)練獎勵模型，這些模型難以滿足多樣化、高質(zhì)量的后訓(xùn)練需求。

例如，用舊獎勵模型優(yōu)化新架構(gòu)（如SD3、Flux）或提升特定美學(xué)維度時，效果有限。傳統(tǒng)做法需大量離線優(yōu)化、微調(diào)獎勵模型或手工設(shè)計復(fù)合獎勵函數(shù)，耗時且難以快速應(yīng)對新需求。

SRPO的研究團隊發(fā)現(xiàn)，當(dāng)前主流的圖像-文本雙分支獎勵模型，可以視為以文本分支的輸出為模型參數(shù)關(guān)于圖片特征的函數(shù)。這樣一來，通過調(diào)整文本分支的語義特征，就能有效引導(dǎo)整個獎勵模型的偏好方向。

基于此，SRPO的研究團隊性提出了“語義引導(dǎo)偏好”機制，通過為獎勵模型添加特定的控制提示詞（如“真實感”）來定向調(diào)整其優(yōu)化目標(biāo)。實驗結(jié)果顯示，某些精心設(shè)計的控制詞能夠增強獎勵模型在真實感等特定維度的優(yōu)化能力。

然而，研究團隊進一步發(fā)現(xiàn)，單純的語義引導(dǎo)仍存在獎勵破解（reward hacking）的風(fēng)險，而獎勵偏差主要源自圖像分支（因為文本分支不參與梯度反傳）。

針對這一問題，團隊提出了創(chuàng)新的“語義相對偏好優(yōu)化”策略：同時使用正向詞和負向詞作為引導(dǎo)信號，通過負向梯度有效中和獎勵模型的一般性偏差，同時保留語義差異中的特定偏好。

在具體實現(xiàn)上，為了平衡訓(xùn)練效率和負向詞強度，團隊采用了加權(quán)獎勵公式的設(shè)計，其實現(xiàn)機制類似于無分類器引導(dǎo)（classifier-free guidance）。

實驗結(jié)果顯示，SRPO顯著增強獎勵模型在真實度等特定維度的優(yōu)化能力。這一突破性方法為長期受困于高質(zhì)量數(shù)據(jù)獲取難題的研究者，提供了一條更加直接高效的優(yōu)化路徑，有望顯著降低模型優(yōu)化的門檻和成本。

三、美學(xué)優(yōu)秀率、真實度提升超300%，未出現(xiàn)明顯獎勵破解

SRPO的研究團隊在HPDv2基準測試上對方法進行了評估。HPDv2是一個文生圖領(lǐng)域廣泛使用的基準，用來衡量模型生成圖像的質(zhì)量，特別是與人類偏好（human preferences）對齊的程度。

在測試中，Direct-Align方法在Aesthetic predictor v2.5（AE）、PickScore等主流評測指標(biāo)上均已達到SOTA水平，而結(jié)合SRPO后，在AE和PickScore等關(guān)鍵指標(biāo)上更是取得明顯提升。

在人類評估方面，與Direct-Align等直接優(yōu)化獎勵偏好的方法不同，SRPO不會因獎勵破解而犧牲真實感，能夠在不依賴額外訓(xùn)練數(shù)據(jù)的情況下，將模型的美學(xué)優(yōu)秀率從8.2%提升至38.9%，提升幅度超過300%，圖像感知真實度提升同樣超過300%。

用SRPO增強后的FLUX.1.dev超過了最新的開源模型FLUX.1.krea，僅需不到1500張圖像即可實現(xiàn)有效訓(xùn)練。

更為關(guān)鍵的是，SRPO未出現(xiàn)明顯的獎勵破解現(xiàn)象，驗證了Direct-Align的設(shè)計能夠有效去除獎勵偏差，模型真實感顯著提升。

在主流獎勵模型上，SRPO也未出現(xiàn)偏色等獎勵破解問題。

SRPO具備細粒度的人類偏好優(yōu)化能力，通過引入控制詞能夠顯著提升在常見風(fēng)格（如亮度調(diào)整、漫畫、概念藝術(shù)）上的可控性，但在低頻風(fēng)格（如賽博朋克）中則受到獎勵模型識別能力的限制。

最后，研究還發(fā)現(xiàn)Direct-Align具備類似監(jiān)督微調(diào)的擬合特性，當(dāng)結(jié)合真實照片作為離線數(shù)據(jù)時，SRPO能進一步增強圖像真實感。

結(jié)語：系統(tǒng)提升擴散模型真實感，可控性與可解釋性將成優(yōu)化方向

與單純的數(shù)據(jù)擬合方法不同，SRPO同時整合了人類偏好信號與強化學(xué)習(xí)優(yōu)化。SRPO研究團隊認為，這是首個大規(guī)模擴散模型中系統(tǒng)性提升真實感的完整方法。

不過，SRPO在可控性和可解釋性上仍存在一定局限。該團隊計劃通過更系統(tǒng)的控制策略、可學(xué)習(xí)的控制詞以及針對控制信號優(yōu)化的視覺語言模型獎勵來提升方法的可控性與泛化能力。