近日，我院在文生图模型高效对齐领域取得新进展，相关研究成果被欧洲计算机视觉会议（ECCV 2026）录用。ECCV是计算机视觉领域具有重要国际影响力的学术会议，汇聚计算机视觉与机器学习领域的前沿研究成果。此次研究聚焦文生图模型对齐训练中计算开销大、样本利用效率不足等问题，为提升生成内容与用户意图的一致性、降低模型优化成本提供了新的技术思路。

论文题目：MPO: Single-Stream Policy Optimization for Efficient Text-to-Image Alignment

图1 MPO与组相对强化学习方法的训练框架对比

随着生成式人工智能的快速发展，文生图模型已能够根据文字描述生成高质量图像，但在准确呈现物体数量、空间关系、颜色属性以及图像中的文字等方面，仍面临挑战。通过强化学习进行对齐训练，是提升模型指令遵循能力、使生成结果更符合人类偏好的重要途径。然而，现有部分方法需要针对同一提示词生成多张图像，通过组内比较获得学习信号，不仅带来较高的计算与同步等待开销，还可能因同组图像评分趋于一致而削弱训练效果。论文围绕这一问题，探索兼顾训练效率与生成质量的文生图对齐方法。

针对上述挑战，论文提出单流策略优化框架MPO（Monolithic Policy Optimization），采用“一个提示词、一条生成轨迹、一次策略更新”的训练思路，以持续更新的贝叶斯价值跟踪器替代组内比较基准。该机制能够积累历史生成结果的评价信息，并随模型变化自适应调整，使单条生成轨迹也能提供有效的学习信号。结合生成过程中的随机探索与全局优势归一化，MPO提升了训练稳定性和样本利用效率。实验表明，在FLUX.1 Dev模型及相匹配的H800硬件与训练设置下，达到相同GenEval目标得分0.91时，MPO所需训练计算量由对比方法DanceGRPO的约235 GPU小时降至约9 GPU小时，实现约26倍训练加速，所需生成样本量约为对比方法的五分之一。同时，经MPO优化后，基础模型的GenEval综合得分由0.66提升至0.98，在物体数量、空间位置与属性对应等任务上表现出更好的指令遵循能力。

图2 不同方法在物体数量、空间关系与属性对应任务上的生成效果对比

该论文第一作者为我院高赞教授指导的24级博士研究生高立帅，由我院视觉感知与媒体安全创新团队与美团等单位学者合作完成。研究团队还在图像文字生成、人类偏好对齐等任务，以及不同架构的生成模型上开展实验，进一步验证了所提方法的有效性与适用性。

高效、可控的视觉生成技术是生成式人工智能发展的重要研究方向。该成果将强化学习与贝叶斯价值跟踪相结合，为缓解文生图模型对齐训练中的效率瓶颈提供了新的解决思路，也体现了我院与企业围绕人工智能前沿问题开展协同研究的成效，为后续探索兼顾生成质量、计算成本与实际应用需求的视觉生成方法提供了技术参考。