单模型双心：基于任务条件的统一图像质量与美学评估

将图像质量评估 (IQA) 和图像美学评估 (IAA) 统一到单一的多模态大语言模型中具有吸引力，但现有方法采用任务中立的配方，对两项任务都应用相同的推理策略和奖励。我们指出这根本上是误配的：IQA 依赖于低层次、客观的感知线索，并受益于简洁的失真导向推理；而 IAA 需要深思熟虑的语义判断，点对分数回归效果不佳。我们将其识别为推理不匹配和优化不匹配，并通过受控探针提供实证证据。受此启发，我们提出 TATAR (Task-Aware Thinking with Asymmetric Rewards)，一个统一框架，在每个任务的特性上进行条件化后训练。TATAR 结合三个组件：快速-慢速任务特定推理构建，将 IQA 与简洁的感知论证搭配，将 IAA 与深思熟虑的美学叙事搭配；两阶段 SFT+GRPO 学习，在奖励驱动的细化之前建立任务感知的行为先验；以及针对 IQA 和 IAA 的非对称奖励，分别应用高斯得分塑形和斯图尔特式完成排序。广泛的实验在八个基准上表明，TATAR 在域内和跨域设置下均 consistently 优于先前的统一基线，在两个任务上均表现出竞争力，且在美学评估方面训练动态更稳定。我们的结果确立了任务条件化后训练作为统一感知评分的原则方法。我们的代码可在 https://github.com/yinwen2019/TATAR 上公开获取。