字节 Seed SpectraReward:把 MLLM「读回 prompt」的 log-likelihood 当成 T2I 奖励,自我奖励干翻 30× 大模型

字节 Seed × 港大 × 北大在 arXiv 2607.11886 提出 SpectraReward,把「读回 prompt」作为 T2I RL 的零样本奖励;Self-SpectraReward 让 BAGEL 自我奖励,GenEval 89.5 反超 Qwen3-VL-235B-A22B;核心结论:reward-policy alignment 比 reward scale 更重要。