# TGO：不用人工挑好坏样本，靠一个分数就能把生图模型调得更听话

> 原标题：无需构造偏好对：TGO用标量反馈对齐视觉生成模型｜ICML&#39;26

- 来源：量子位 · 公众号
- 发布时间：2026-05-17T10:22:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/22631
- 原文：https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247891358&idx=2&sn=d63e568f68be834df8cd92ecc2e35ddc

## 摘要

新加坡国立大学搞了个叫 TGO（阈值引导优化）的方法，被 ICML 2026 收了。它最大的好处是不需要提前构造“这张比那张好”的偏好对，直接拿一个标量分数（比如美学分、图文匹配度）就能做对齐。做法是先让模型生成一批图，算出分数的分布，定一个阈值：高于阈值的当正样本往上拉，低于的当负样本往下压。

## 推荐理由

新加坡国立大学的 TGO 被 ICML 2026 收录，它跳过偏好对构造，直接用美学分或图文匹配度这类标量分数定阈值来对齐视觉生成模型。

## 锐评

把标量分数直接转成正负样本，这个思路比 RLHF 那套偏好对省事太多。做对齐最贵的一直是数据，人工标哪张图更好，成本高还慢，TGO 用一个打分函数替掉了标注团队。

阈值定在哪是个工程问题，分数分布一变阈值就得跟着调。四个模型都跑通了，从 SD v1.5 到 FLUX，不是单点特调，但离能直接上生产还有距离。对齐数据采集头疼的团队，这个方向值得跟。
