西交大 x A*STAR 论文：让 AI 学会「保持一致」，多图生成迎来关键突破丨CVPR 2026

很多人都有这样的体验：让 AI 画一个角色，第一张很好看，但第二张开始有点不一样，第三张基本就像换了个人。你让它做一套海报，单张都不错，但放在一起风格却完全不统一，再或者你让它画一个故事分镜，人物形象会一会胖一会瘦，甚至连脸都对不上，你只是改一下衣服颜色，它却顺手把脸也改了。 这些看起来像小问题，但在真实应用中却是致命的。在 IP 设计、品牌视觉、内容生产甚至工业和医疗场景中，要求的从来不是某一张图好看，而是一整组都要一致。 问题的关键在于，当前图像2生成模型虽然已经从“能用”走向“高质量”，但能力仍停留在单次生成优化，也就是“单样本最优”。它擅长把一张图画好，却不知道哪些东西必须在多张图之间保持不变。换句话说，模型缺少的不是生成能力，而是一种对跨图关系的稳定建模能力，而这一能力，正是生成模型走向规模化应用的关键瓶颈。 在这一背景下，来自西安交通大学与新加坡 A*STAR 的研究团队提出了论文《PaCo-RL: Advancing Reinforcement Learning for Consistent Image Generation with Pairwise Reward Modeling 》，从建模范式层面对这一问题进行重构。 这项研究没有沿用传统的单图打分或图文对齐思路，而是将一致性问题转化为“跨图比较”的学习问题，通过构建成对比较的奖励模型，使模型能够学习人类在判断一致性时所依赖的相对关系与多维标准，并进一步结合强化学习，将这种判断能力反向作用于生成过程之中，从而实现从“会判断”到“会生成”的能力闭环。 论文地址：https://arxiv.org/pdf/2512.04784 从「不会判断」到「 稳定生成」 整体来看，实验结果可以归纳为一条完整且有数据支撑的逻辑链。 首先，研究团队通过对比实验发现，现有模型并不具备真正的图像一致性理解能力。在 ConsistencyRan