FiRe：面向图像生成的细粒度多模态推理方法

研究提出 FiRe，一种通过 MLLM 进行细粒度多步推理来增强图像生成的方法：先将提示词拆解为关键视觉需求，再自判生成图像是否满足，并依据自生成反馈做局部精修。配套的 FiRe-GRPO 将推理过程建模为步级决策问题，设计步级奖励与优势计算，缓解标准 GRPO 在多步推理中奖励稀疏的问题。实验显示 FiRe 持续优于现有基于推理的文本到图像基线，在组合式基准上提升尤为明显。