**奖励原本就在数据中：用判别器引导RL纠正流匹配**

_The Reward Was in Your Data All Along: Correcting Flow Matching with Discriminator-Guided RL_

> 流匹配模型常依赖人类偏好RL来提升视觉质量，但这暴露出匹配损失与样本质量间的结构性不对齐。本文提出判别器引导的强化学习（DRL），在预训练表示空间中训练判别器区分数据与基模型样本，并将其对数几率作为KL正则化RL的奖励。该方法无需人类反馈，即可大幅降低FID（如SiT上从9.38降至2.62）和语义空间距离，改善人类偏好奖励，并在后续偏好训练中减少过饱和等低级瑕疵，实现更好的帕累托前沿。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-18 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.19162)