SFT+RL双管齐下：ReasonGen-R1如何破解文生图「指令不遵」难题？

主要观点总结

文章介绍了ReasonGen-R1框架，这是一个将链式推理监督微调（Supervised Fine-tuning）和强化学习（Reinforcement Learning）相结合的两阶段训练框架，旨在提升自回归图像生成模型的推理和创作能力。ReasonGen-R1使得图像生成模型在输出图片前进行文本『思考』，提升了基座模型的语义遵循能力，并在多个语义指标上取得突破。

关键观点总结

关键观点1: ReasonGen-R1框架的应用

ReasonGen-R1结合链式推理监督微调和强化学习，提升自回归图像生成模型的推理和创作能力。使得模型在生成图像前进行文本『思考』，提高语义遵循能力。

关键观点2: ReasonGen-R1的训练阶段和特点

ReasonGen-R1的训练包括监督微调阶段（SFT）和强化学习阶段（RL）。SFT阶段构建大规模图像生成推理数据集，RL阶段通过Group Relative Policy Optimization（GRPO）进一步优化模型输出。还采用自适应熵损失函数，确保训练稳定性。

关键观点3: ReasonGen-R1的实验结果

基于Janus-Pro-7B模型对ReasonGen-R1进行全面测试，结果显示在所有图像生成语义遵循指标上，ReasonGen-R1较基座模型有显著提升。消融实验验证了各个模块对最终性能的贡献。