PEARL用推理-反思循环从用户历史生成个性化图像，在自建PMH-IG基准上平均提升15%

论文提出PMH-IG，一个从真实用户历史出发的个性化图像生成基准，包含个性化场景生成（基于亚马逊评论历史，把给定商品放入反映用户生活方式与偏好的场景）与个性化创意生成（基于Instagram帖子历史，就指定主题生成符合用户审美与视觉身份的新图）两项互补任务。 既有基准（如Xu等、Dunlop等）通常为每位用户提供少量精选参考图，并在新提示下评测概念复现；PMH-IG改用自然产生的多模态历史，评测模型能否推断用户身份并据此合成新图，且把生成条件（要画什么）与用户历史（怎么画）明确区分开。 论文给出数据集统计：场景生成任务共5,000名用户、50,000条评论，创意生成任务共4,413名用户、50,656条帖子、1,271对（用户，目标）；用户按约80:10:10做用户级不重叠划分，测试集为未见过的用户。

论文提出PEARL框架：Stage-1规划器对用户历史推理，产出思维链与场景描述，由冻结渲染器生成初图；Stage-2反思器把初图与历史对照，识别场景不协调、生活方式线索缺失、审美偏离等个性化错配，修订计划后重新渲染。 既有历史个性化方法（如Pigeon、PMG）把历史作为统一条件信号直接融合进生成器，缺少对历史含义的显式推理；PEARL把推理外显为文本计划，并让计划在渲染证据上被检验和修正。 规划器与反思器均以Qwen2.5-VL-7B初始化，渲染器为SDXL-1.0（1024×1024），用LoRA微调；Stage-1用Gemini2.5-Flash教师模型在可访问身份锚点的条件下蒸馏银轨迹，Stage-2用交替策略DPO，每个策略由包含另一策略与渲染器的完整下游管线打分，全部实验在单张4090 GPU上运行。

在PMH-IG两项任务上，PEARL在个性化指标上平均提升15%，并在多数指标上优于PMG、Pigeon、LaVIT、LLaVA等基线。 论文强调多轴评测的价值：在创意生成任务中，赢得LPIPS或MS-SSIM的方法在检索指标上表现不佳，说明单一保真度指标可以在不提供个性化的情况下被赢得。 场景生成任务中PEARL的H@5为0.2297、MRR为0.1639，均高于基线；创意生成任务中PEARL在10列中7列最优，包括全部检索与MLLM评审指标，CIS为0.645、DIS为0.289，类间R@1为0.876、类内R@1为0.701；所有基线共用同一SDXL渲染器以作公平比较。

消融显示反思模块带来可测量的增益，且增益集中在细粒度个性化细节上。 论文把完整PEARL与仅用监督微调、去掉交替策略DPO的PEARL-Reflection对比，说明闭环的推理-渲染偏好优化优于单纯监督蒸馏。 论文报告PEARL在两项任务与MLLM评审的五个聚合维度中的四个上优于PEARL-Reflection，最大提升出现在风格与内容维度；整体分数有低于某阈值的边际下降，作者据此认为反思主要对齐细粒度细节而非做大幅调整，并指出这与IRG的观察一致。

该结果面向从用户累积历史推断身份并生成图像的研究与工程场景，适用于电商商品呈现与社交媒体内容创作两类设定，也可迁移到论文附录列出的个性化广告、虚拟试穿与生活方式布景、创作者工具、个性化故事板、生成式推荐以及个性化多模态智能体评测。基准与评测协议本身可独立使用：身份元素抽取管线可作为用户身份建模的诊断工具，基于检索的指标可支撑生成式推荐研究，多轴评测套件可作为个性化多模态智能体的标准化测试台。对实践者而言，论文建议在部署前用检索与推荐指标作为可复现的离线代理，来评估个性化商品图像的生成模型。

场景生成任务没有自然存在的（用户，商品）真值场景图，用户对齐只能通过检索式与评审式指标间接衡量，而非直接与参考图比较。PEARL的训练只做了一轮规划器与反思器之间的交替策略DPO更新，论文把多轮优化的系统研究留作未来工作。人工评测为单标注者、每任务25对比较的初步判断，衡量的是外部观察者对历史契合度的评估，论文明确说明它不建立标注者间一致性、总体偏好或统计显著性；创意生成比较中两种方法使用了各自的历史子集，并未在完全相同的条件下隔离方法效应。此外，一个场景账号在后续重渲染中被标记存在目标评论泄漏，其原始SDXL生成输入无法核验，原始输出是否受污染尚未解决，论文以剔除该账号的敏感性分析作为参考。读者若只读到摘要层面，将无法看到这些范围与开放问题。