近年來，鏈?zhǔn)酵评砗蛷?qiáng)化學(xué)習(xí)已經(jīng)被廣泛應(yīng)用于大語言模型，讓大語言模型的推理能力得到了顯著提升。然而，在圖像生成模型中，這種成功經(jīng)驗(yàn)尚未得到充分探索。圖像生成模型往往直接依據(jù)給定文本生成圖像，缺乏類似人類創(chuàng)作過程中的推理，導(dǎo)致生成的圖像在語義遵循上仍有一定局限。

近期，上海科技大學(xué)、微軟亞洲研究院和復(fù)旦大學(xué)提出了 ReasonGen-R1 框架，一個(gè)兩階段訓(xùn)練框架，將鏈?zhǔn)酵评肀O(jiān)督微調(diào)（Supervised Fine-tuning）與強(qiáng)化學(xué)習(xí)（Reinforcement Learning）相結(jié)合，以提升自回歸圖像生成模型的推理和創(chuàng)作能力。ReasonGen-R1 使得自回歸圖像生成模型可以端到端地在輸出圖片之前先進(jìn)行文本「思考」，大幅提升了基座模型的語義遵循能力，并在多個(gè)語義指標(biāo)上取得突破。

目前，ReasonGen-R1 已全面開源（包括訓(xùn)練、評(píng)測代碼，訓(xùn)練數(shù)據(jù)以及模型）。

• 論文標(biāo)題：ReasonGen-R1: CoT for Autoregressive Image Generation model through SFT and RL
• Arxiv 地址：https://arxiv.org/abs/2505.24875
• 代碼地址：https://github.com/Franklin-Zhang0/ReasonGen-R1
• 項(xiàng)目主頁：https://reasongen-r1.github.io

方法概覽

ReasonGen-R1 的訓(xùn)練包括兩個(gè)核心階段：監(jiān)督微調(diào)階段（SFT）以及強(qiáng)化學(xué)習(xí)階段（RL）。

監(jiān)督微調(diào)階段首先構(gòu)建了一個(gè)大規(guī)模圖片生成推理數(shù)據(jù)集，共包含 20 萬條圖像-文本對(duì)。該數(shù)據(jù)集基于 LAION 美學(xué)子集，利用 GPT-4.1 根據(jù)圖片自動(dòng)生成兩類描述：一是多樣化的簡潔圖片描述（包括常規(guī)敘述、基于標(biāo)簽和以物體為中心的敘述），二是豐富的推理式 CoT（chain-of-thought）敘述。多風(fēng)格的簡潔圖片描述設(shè)計(jì)有效避免了模型在 SFT 階段對(duì)單一 prompt 模式的過擬合。

隨后，ReasonGen-R1 按照「Prompt → CoT → <img_start> → Image」的 token 順序進(jìn)行 SFT 微調(diào)，使得基座模型擁有了初步的在圖像生成之前進(jìn)行文本「思考」的能力。

圖1. ReasonGen-R1 模型架構(gòu)概覽。ReasonGen-R1通過監(jiān)督微調(diào)（SFT）以及強(qiáng)化學(xué)習(xí)（RL）使得模型可以先進(jìn)行鏈?zhǔn)酵评恚偕勺罱K圖片。

強(qiáng)化學(xué)習(xí)階段通過 Group Relative Policy Optimization（GRPO）進(jìn)一步優(yōu)化模型輸出。為了有效評(píng)價(jià)生成輸出圖像的質(zhì)量和輸入文本-輸出圖像的一致性，ReasonGen-R1 采用了預(yù)訓(xùn)練視覺語言模型 Qwen-2.5-VL-7B 作為獎(jiǎng)勵(lì)模型，讓其對(duì)于每個(gè)輸出圖片，根據(jù)圖片以及輸入文本是否一致，給出 0、1 獎(jiǎng)勵(lì)。

圖2. ReasonGen-R1強(qiáng)化學(xué)習(xí)框架概覽。

此外，為確保訓(xùn)練穩(wěn)定性，ReasonGen-R1 提出了一種改進(jìn)的自適應(yīng)熵?fù)p失函數(shù)，該損失函數(shù)能夠?qū)⑤敵?token 的熵動(dòng)態(tài)調(diào)節(jié)到目標(biāo)熵附近，有效防止了在文本圖像混合強(qiáng)化訓(xùn)練過程中訓(xùn)練不穩(wěn)定導(dǎo)致模式崩塌的問題。

圖3. 自適應(yīng)熵?fù)p失中用于更新熵?fù)p失參數(shù)的loss function

ReasonGen-R1 實(shí)驗(yàn)結(jié)果

團(tuán)隊(duì)基于 Janus-Pro-7B 模型對(duì) ReasonGen-R1 進(jìn)行了全方面測試，選取了三個(gè)圖像生成語義遵循指標(biāo)：GenEval、DPG-Bench 以及 T2I-Benchmark。

如圖 4 所示，ReasonGen-R1 在所有指標(biāo)上都較基座模型有了顯著的提升。這些結(jié)果表明，將文本推理通過 SFT-RL 的框架應(yīng)用于圖片生成，能夠顯著提升自回歸圖像生成模型的性能。

圖4. 左圖：基座模型Janus-Pro-7B和ReasonGen-R1生成圖像可視化比較；右圖：三個(gè)指令遵循指標(biāo)上的表現(xiàn)比較。ReasonGen-R1在所有指標(biāo)上均超過了基座模型，體現(xiàn)了指令遵循能力的巨大提升。

為深入探討 ReasonGen-R1 各個(gè)模塊的貢獻(xiàn)，研究還進(jìn)行了以下消融實(shí)驗(yàn)：

SFT 階段的作用：為了測試 SFT 階段對(duì)于模型最終性能的影響，ReasonGen-R1 對(duì)比了直接強(qiáng)化學(xué)習(xí)的結(jié)果。如表 1 所示，僅使用強(qiáng)化學(xué)習(xí)（RL）而未進(jìn)行監(jiān)督微調(diào)（SFT）時(shí)，模型表現(xiàn)顯著下降，證明了 SFT 階段對(duì)模型后續(xù)強(qiáng)化學(xué)習(xí)階段的重要性。

獎(jiǎng)勵(lì)模型規(guī)模影響：實(shí)驗(yàn)還對(duì)比了不同大小的獎(jiǎng)勵(lì)模型。如表 1 所示，較小規(guī)模的獎(jiǎng)勵(lì)模型（Qwen-2.5-VL-3B）無法提供足夠精準(zhǔn)的反饋信號(hào)，嚴(yán)重影響強(qiáng)化學(xué)習(xí)階段的表現(xiàn)。因此，選擇高精度、大規(guī)模的獎(jiǎng)勵(lì)模型至關(guān)重要。

表1. ReasonGen-R1在GenEval指標(biāo)上對(duì)于架構(gòu)設(shè)計(jì)的消融實(shí)驗(yàn)

自適應(yīng)熵?fù)p失函數(shù)的穩(wěn)定作用：如圖 6 所示，在沒有熵?fù)p失的情況下，模型在經(jīng)過 100 步的訓(xùn)練后會(huì)出現(xiàn)熵爆炸，同時(shí) Reward 開始緩慢下降。另一方面，施加固定熵懲罰（–0.002）會(huì)使熵持續(xù)下降，并在第 80 步時(shí)過低，進(jìn)而引發(fā)圖片生成模式崩塌和獎(jiǎng)勵(lì)急劇下滑。這些現(xiàn)象凸顯了在交錯(cuò)文本與圖像的 RL 訓(xùn)練中，對(duì)于熵?fù)p失正則化設(shè)置的敏感性。相比之下，采用 ReasonGen-R1 提出的自適應(yīng)熵?fù)p失能夠?qū)㈧乇３衷谧罴逊秶鷥?nèi)，確保訓(xùn)練過程的穩(wěn)定性以及獎(jiǎng)勵(lì)的穩(wěn)定增長。

圖6. 對(duì)于各個(gè)熵正則化策略在強(qiáng)化學(xué)習(xí)中的效果比較

ReasonGen-R1 CoT 分析

圖7. 1000次CoT輸出中的單詞頻率。只有出現(xiàn)頻率高于20%的單詞被展示。出現(xiàn)頻率最高的三個(gè)’a, an, the’被移除以關(guān)注保護(hù)更多信息的詞語

圖 7 展示了 ReasonGen-R1 推理鏈的模式。首先，它通過「感知」（sense）、「場景」（scene）和「自然」（natural）等高頻詞（在超過 140% 的 CoT 中出現(xiàn)）來奠定總體框架，強(qiáng)調(diào)整體語境和真實(shí)場景。接著，它細(xì)化視覺風(fēng)格：諸如「柔和」（soft）、「高光」（highlights）、「氛圍」（mood）和「流暢」（sleek）等詞匯（均在超過 100% 的 CoT 中出現(xiàn)）用以描述光照質(zhì)量、情感基調(diào)和質(zhì)感。

更關(guān)鍵的是，「突出」（highlighting）和「強(qiáng)調(diào)」（emphasizing）這兩個(gè)詞各自在至少 70% 的 CoT 中出現(xiàn)，表明模型有意識(shí)地聚焦于主要主體。這揭示出 ReasonGen-R1 不僅僅是在描述物體，而是在主動(dòng)規(guī)劃構(gòu)圖焦點(diǎn)。

除了核心詞匯外，ReasonGen-R1 還運(yùn)用了大量修飾詞——「背景」（background）用于建立環(huán)境氛圍；「特征」（features）用于突出顯著視覺元素；「寧靜」（calm）用于渲染平和氛圍；「瞬間」（moments）用于傳達(dá)時(shí)間抓拍感；「捕捉」（captured）用于強(qiáng)調(diào)攝影真實(shí)感；等等——以在每條推理序列中注入細(xì)膩的、情境化的細(xì)節(jié)。

總體而言，ReasonGen-R1 的推理鏈通過場景框架、風(fēng)格細(xì)節(jié)、主體聚焦和細(xì)節(jié)修飾等要素，有效地引導(dǎo)了圖像生成過程。