इस पत्र में, हम फ़्लो-जीआरपीओ का प्रस्ताव करते हैं, जो ऑनलाइन सुदृढीकरण अधिगम (आरएल) को प्रवाह-मिलान मॉडल में एकीकृत करने की पहली विधि है। इसकी मुख्य रणनीतियाँ दोहरी हैं: पहला, एक ODE-से-SDE रूपांतरण जो नियतात्मक साधारण अवकल समीकरणों (ODEs) को समतुल्य स्टोकेस्टिक अवकल समीकरणों (SDEs) में रूपांतरित करता है जो मूल मॉडल के सभी समय चरणों पर सीमांत वितरणों से मेल खाते हैं, जिससे RL अन्वेषण के लिए सांख्यिकीय नमूनाकरण संभव होता है; दूसरा, एक शोर-निवारण न्यूनीकरण रणनीति जो प्रशिक्षण शोर-निवारण चरणों को कम करते हुए अनुमान समय चरणों की मूल संख्या को बनाए रखती है, जिससे प्रदर्शन में गिरावट के बिना नमूनाकरण दक्षता में उल्लेखनीय सुधार होता है। प्रयोगात्मक रूप से, फ़्लो-जीआरपीओ को कई टेक्स्ट-टू-इमेज कार्यों पर प्रभावी दिखाया गया है। जटिल विन्यासों के लिए, RL-ट्यून्ड SD3.5 लगभग पूर्ण वस्तु गणना, स्थानिक संबंध और विस्तृत विशेषताएँ उत्पन्न करता है, जिससे GenEval सटीकता 63% से 95% तक बढ़ जाती है। दृश्य टेक्स्ट रेंडरिंग में, सटीकता 59% से 92% तक सुधर जाती है, जिससे टेक्स्ट निर्माण में उल्लेखनीय सुधार होता है। फ़्लो-जीआरपीओ मानव वरीयता संरेखण में भी महत्वपूर्ण लाभ प्राप्त करता है। विशेष रूप से, यह ध्यान देने योग्य है कि रिवॉर्ड हैकिंग बहुत कम होती है। यानी, इमेज क्वालिटी या विविधता में उल्लेखनीय गिरावट की कीमत पर रिवॉर्ड में वृद्धि नहीं हुई।
