医生不再一个症状开一副药，因为他发现所有症状来自同一项血检指标。
Flow-GRPO 把扩散/流匹配的图像生成器变成一个可以用强化学习调的随机策略——去噪的每一步是一个动作，奖励从最后那张图反馈回来。想法很漂亮，训练起来一地鸡毛：重要性比率在各去噪步之间表现完全不一样，有的步整体偏低、有的步方差炸开、裁剪比例步步不同、后期可用样本越来越少。
之前的工作把这些当成四种独立的病，各开一副手调的稳定器。
这篇论文说：不是四种病，是一种病的四个表现。而且这个"一"，可以从采样器的高斯转移核里精确推导出来——它叫路径方差 λ。对数比率服从高斯，均值恰好是 −λ/2，方差恰好是 λ。一个数，管住左移、离散、裁剪失衡、可用样本流失这四件事。
这就把"不稳定性"从一堆待修的症状，变成了一份可以预算的资源。你可以预测每一步要花多少、该在哪一步少花。两个控制尺度（裁剪半径 ε 和保留分位 q）也都是标准策略选择，不是新引入的自由超参——这点做得很体面。
审计数字很漂亮（tiny-SD3，三 seed 平均）：
- 对数比漂移：−0.002693 → −0.000041，压了 65 倍
- 对数比方差：7.32e−7 → 8.83e−9，压了 83 倍
- 被裁剪比例：0.1169 → 0.0730
- 奖励：−0.008114 → −0.008238，纹丝不动
现在说真刀真枪的那组实验，坑在这里。
主实验（SD3.5 Medium + LoRA，762 条留出提示）：OCR 奖励 0.5632 → 0.5831，完全匹配 12.99% → 14.44%，子串 19.29% → 22.83%。听着不错，但有四处要打折。
一，这个方法有两个组件：LambdaNorm-T（归一化）和 damp-only λ 加权（按预测成本衰减梯度）。把论文自己的数字代进去，后者在主实验里的权重 w = min(1, √(τ/λ̂)) 约等于 1——从头到尾没起作用。真正干活的只有归一化那半。所谓"按预算分配梯度努力"这个卖点，在头条实验里是空转的。
二，预算也没被用满。τ≈0.01026，实测只花 0.000332，用了 3.2%。而在 PickScore 那组（Table 6），λ 方法在 ckpt40 花 4.65e−3，约 2.3 倍预算；在 ckpt80 花 3.34e−3，约 1.67 倍——两档都超了。反倒是基线 RatioNorm 在 ckpt40 只花 3.8e−5，比论文方法低两个数量级。所谓"基线系统性超支"，只在第 80 步那个检查点成立。
三，256 条验证集（用来选检查点的那批）上，基线的平均 OCR 和 CER 都赢过 λ 方法——作者自己加粗标出来的。摘要里那句"相对提升约 39% 和 61%"用的也是验证集口径；换到 762 条留出测试集，就变成 +1.44 和 +3.54 个百分点。摘要挑了好看的那个口径。
四，跨骨干泛化那组（FLUX.1-dev，单种子）是全篇"数据最强、可比性最弱"的地方。Table 5 里最吸睛的一列——λ 方法把裁剪率从基线的 0.888–0.990 压到 0.060–0.100，"降一个数量级"——但这个 r̃ 是方法自己重新定义过的校准比率：先用 λ̂ 把对数比率标准化，再缩放到目标方差，这个分布天然紧贴 1，落在窄区间里几乎是构造出来的。拿它和别人那个未经校准的原始比率比裁剪率，等于先改尺子再比读数。作者在同一段落亲手写了免责声明，承认这"不是跨方法可比的原始比率"。诚实的论文，容易被误读的表格。FLUX 三个任务最后是 1 胜（OCR，未达显著）、1 平（PickScore，微负于未调基线）、1 平（GenEval，统计不可分辨）。
所以我的读法是：诊断部分是真贡献——把四种症状归到一个可推导的标量上，这一步干净、有预力，值得写进教科书。处方部分要打折扣——它稳定了该稳定的东西，但在"提升任务质量"这件事上，一半组件没工作，预算线没被用满，对手在验证集上还略占上风。
把病治好了，病人却没觉得好受一点。这句话值得贴在每个做稳定性改进的人的屏幕边上。
*（arXiv 2609.22041）*