有意思的不是又一个更大的修图模型，而是一笔账的搬家：大语言模型圈最流行的那句「答得好不好，可以用推理时的算力买」，被原样搬进了真实场景图像复原——同一个 120 亿参数的底座，多算十几倍，画质就肉眼可见地高一截。
画质上限，在训练那天就锁死了
把网上压缩过的图、多年前的老照片、一放大就糊的截图修回干净细节，这几年已经全面转向生成式路线：与其在像素上做回归（那样容易得到一张什么都对但什么都不锐的「平均值」图），不如让文生图大模型直接「想」出高清版本。但这条路线有个先天别扭之处：模型的质量上限在训练结束那天就定死了，上线之后想更好，只能回去重训。
更麻烦的是运气。扩散类模型修图的方式，是一步步从纯噪声走到成图，这条去噪路径本质上是随机的——同一张废片走不同的路径，编出来的发丝、标牌文字、皮肤纹理可能对，也可能错。而常规做法是采样一次、出什么算什么，一条路走到黑。
关键转折：给去噪路径请一位考官
ResFlow-Tuner 借来的概念叫「推理时扩展」（test-time scaling）：大语言模型做难题时不再一口气写答案，而是铺开多个候选，让打分器挑出最好的继续往下想。这篇论文把同一套流程装进了 120 亿参数的文生图底座 FLUX——一个流匹配模型（可以理解为扩散模型的近亲，学的是从噪声指向图像的「方向场」），让随机的去噪路径变成一场有考官在场的选拔。
循环是四拍：在去噪中途注入一点噪声，把路径扰动出七个候选；每个候选往前抢算几步、粗略预览成片；交给三位「考官」打分——美学评分器管好不好看、图文对齐分管内容对不对得上、人类偏好模型管大家更爱看哪张——只留下最好的几个，继续下一段去噪。如此四轮，画面的走向就在考官的注视下被逐步拧向高分区。
值得注意的还有适配的便宜：底座全部冻结，只训练一枚 LoRA（挂在大模型旁边的一小块旁路参数）把低清图接进去，约占整体参数的 0.5%；连文字条件都是现成的——一个视觉语言模型先看一遍粗修结果，自动写出详细描述，再交给底座。
效果上，论文在多个基准的无参考画质指标（不拿原图对比、直接给成图打分的自动指标）上全面领先，其中在真实照片测试集上拉开了断崖式差距；人工盲评也在八成图上被选为最好的一张；在真实模糊文字的场景里，识别召回率从约 7.5% 拉到近 50%。
这笔账会怎么进入真实工作流
对行业而言，这件事把「修图质量」从研发变量变成了产品变量。云端修图可以像云计算一样分档：「标准修复」和「精细修复」用同一个模型，差的是算力钱，不再需要维护两套模型。档案、票据、监控这类以「字能不能认出来」为目标的场景直接受益。而对做画质评测的人，这是一记警钟：这类方法会精准讨好无参考指标，以后「指标涨了」和「真的更好」之间的距离只会越拉越远。
代价也明摆着：默认配置约等于单次采样 15 倍的推理开销，继续加码收益递减——手机端无缘，落点在云端。更值得警惕的是考官本身：三位考官偏什么，画面就长成什么样。大模型圈一个已被反复观察的现象是，人类偏好模型普遍偏爱饱和、锐利、「网感」强的图——这套系统等于把这种偏好放大再放大；论文也承认，按像素误差算，它反而输给老式 GAN 复原方法（用对抗训练换锐利度的上一代路线）。「多想几步」想得对不对，取决于考官准不准——这道题，大语言模型圈自己也还没答完。