TRM 先为每个案例生成自适应评分细则再打分，在图像生成与编辑奖励建模基准上超过开源模型并逼近专有模型
该工作提出“Think Before You Score”范式与 Thinking Reward Model（TRM）：先针对每个任务条件与候选输出生成案例自适应评分细则，再逐条判定并汇总为细粒度逐点奖励，同时提出 PD-GRPO 用成对偏好监督提升区分度并抑制分数极化；在图像生成与编辑奖励建模基准上，TRM 在开源奖励模型中达到最优并与专有模型高度接近，作为强化学习奖励信号还能持续提升多种视觉生成模型。