تواجه نماذج مطابقة التدفق (Flow Matching) في تحويل النصوص إلى صور تحديات كبيرة تتعلق بنقص المكافآت والتداخل بين التدرجات. هذا ما دفع الباحثين لتقديم Flow-OPD، الإطار الجديد الذي يجمع بين التقنيات المبتكرة لمعالجة هذه العراقيل.

يتبنى Flow-OPD استراتيجية محاذاة من مرحلتين، حيث يتم أولاً تطوير نماذج معلمين متخصصة عبر تحسين مكافآت فردية، مما يشجع كل خبير على تحقيق أداء متميز في مجاله. بعد ذلك، يتم تأسيس سياسة أولية متينة من خلال استخدام نظام بدء بارد قائم على التدفق، مما يمهد الطريق لدمج الخبرات المتنوعة في نموذج واحد.

كما تم إدخال تقنية جديدة تُعرف باسم تنظيم النقاط الأساسية (Manifold Anchor Regularization - MAR)، والتي تستفيد من معلم غير مرتبط بالمهام لتوفير إشراف كامل على البيانات، مما يساعد في الحفاظ على جودة الصور المُنتَجة.

هذه الابتكارات أظهرت نتائج مذهلة، حيث رفع Flow-OPD درجة GenEval من 63 إلى 92 ودقة OCR من 59 إلى 94، مع تحسن إجمالي يقارب 10 نقاط مقارنة بالإصدارات السابقة من نموذج GRPO التقليدي. مما يضمن عدم التأثير السلبي على دقة الصور ومواءمة التفضيلات البشرية.

تفتح هذه النتائج آفاقاً جديدة للنماذج العامة التي تحول النصوص إلى صور، مما يجعل Flow-OPD نموذجاً يحتذى به في عالم الذكاء الاصطناعي.