图像质量评估（IQA）一直是 VLM 的「感知短板」——主流做法是拉一堆人给图片打 MOS 分,但人工标注的代价、跨域一致性、主观偏差,都让这个赛道很难跑出真正可扩展的方案。字节跳动团队把 ICLR 2026 上发表的工作 EvoQuality 推到 arXiv 第五版（2509.25787v5），同时 Hugging Face 上 ByteDance/EvoQuality 权重已经开放下载，配套代码同步在 GitHub bytedance/EvoQuality 仓库。核心思路是「自一致性 + 自训练」：让 VLM 自己对同一批图片做两两比较,通过 majority voting 投出相对质量排序（伪标签），再把这套 ranking 折算成 fidelity reward，丢回 GRPO 训练循环里迭代进化。整个流程不需要任何 ground-truth 标签。效果是实打实的：在 7 个公开 IQA benchmark 上,EvoQuality 把基座 VLM 的零样本 PLCC 一次性拉高 31.8%，在 5/7 个数据集上直接反超 SOTA 的有监督 VLM-IQA 模型。论文还展示了 stacking 玩法：把预训练 IQA 模型和 EvoQuality 串起来,能在未见数据集上获得额外的迁移增益。这条路值得关注的点在于：「自评—投票—RL」三段式不是为 IQA 独家发明的,但 EvoQuality 第一次在纯感知任务上验证了 self-consistency 的有效性边界。它意味着低资源感知任务（图像美学、缺陷检测、视频质量）都可以用同样的范式低成本启动,标注门槛从此被压到可忽略。