画质模型早就学会了"打分附赠一段理由"，可理由是不是编的，一直没人查。这篇论文的办法简单粗暴：你说图哪儿不好？行，按你说的把图改一遍——改完分数真涨了，才算你看懂了。
图像质量评价（IQA，给一张图打一个"看起来好不好"的分数）这两年换了引擎。早期是卷积网络直接回归一个分；多模态大模型（MLLM，既能看图又能写字的语言模型）进场后，模型开始输出"左下角过曝、紫色眩光干扰主体"这样的诊断，训练也改用强化学习（靠奖励信号调整模型，而不是抄标准答案），把人类评分当奖励。
死穴在于：**分数准不准，和理由忠不忠实，是两回事。**一段流畅的诊断配上一个碰巧正确的分数，在训练里和"真的看懂了"拿同样的奖励；奖励根本不检查证据，模型自然学会写"像那么回事"的话。放到画质评价里这尤其麻烦——下游真的会拿这句话去指导修图。
MR-IQA-2 的转折，是把"解释"从一句话变成一个可执行的干预，再测这个干预灵不灵。框架里三个角色，只有第一个在训练：
- 演员是一个多模态大模型，看图后必须写清三件事：证据（哪里不好）、方案（怎么改）、分数；
- 剪辑师是一个冻结的图像编辑扩散模型，照着方案真把图改一遍，只许动画质、不许改内容；
- 裁判是另一个冻结的预训练打分模型，分别给原图和改后图打分，两者之差就是这条理由的"证据强度"——按你说的毛病修完，分涨了，诊断才算成立；没涨，理由就是空话。
更关键的一刀是怎么算账。如果整段输出共用一份奖励，模型会找"一招通吃"的偷懒解。论文的消融实验把这一点拍在了桌上：不拆账时，画质涨分确实更高，但所有图的修改方案收敛成了同一个套路，理由实际上退化了；拆账之后——证据和方案只听裁判反馈、分数只听人类评分，各管各的文字部分——两万多种不同的修图方案保住了，涨分也没掉。换句话说，“把分刷高"和"真的会看"必须分开算账，混在一起，前者会吃掉后者。
成没成？打分水平没掉，与同规模方法持平；拉开差距的是理由：按模型自己的理由去改图，裁判在五分制上测得约 0.8 分的画质提升，已发表的推理式评价方法只有 0.2，而直接拿人类分数练理由的版本干脆是负的：只会刷分的模型，按它的理由改完图画质反而更差。
往真实影像工作流上看，这套机制的价值不在"分数更高”，而在解释第一次可以被机器验收。修图 App 里那句"检测到过曝"，背后可以挂一个"改给你看、再复评"的闭环：建议是否采纳由复评涨分决定，而不是模型的自信程度；批量挑片同理，理由可抽查，人只验那些没兑现的。夜景合成、变焦增强这些"生成式相机"功能也能用它当验收裁判：增强前后各打一次分，涨了多少就是多少。
局限也得说清。闭环没有真正闭上：改后的图没有回流给演员继续反思。三个模型叠着跑，一次编辑加两次评分才换来一份训练信号，离端上还远。最大的隐患在裁判自己——它也是个多模态大模型，它的口味偏差会被原样固化成"什么算好理由"的定义。编辑器的能力上限也可能被记到理由头上，论文自己举过一个例子：一次改图把夜空修成了白天的蓝天——这种内容漂移算谁的错，目前分不清。