يتطلب إنتاج الصور بشكل متسق الحفاظ بدقة على الهويات والأسلوب والاتساق المنطقي عبر صور متعددة، وهو أمر ضروري لتطبيقات مثل سرد القصص وتصميم الشخصيات. تعاني النماذج التي تعتمد على التدريب المراقب من هذه المهمة بسبب نقص البيانات الكبيرة الحجم التي تُسجّل الاتساق البصري، بالإضافة إلى التعقيد الناتج عن نمذجة تفضيلات الإنسان البصرية. في هذه الورقة، نقترح أن التعلم التعزيزي (RL) يُعد بديلاً واعداً من خلال تمكين النماذج من تعلّم معايير بصرية معقدة وذاتية بطريقة لا تعتمد على البيانات. لتحقيق ذلك، نقدّم إطار عمل شاملًا يُسمى PaCo-RL، يدمج نموذج مكافأة متخصص للاتساق مع خوارزمية تعلم تعزيزي فعّالة. يتكوّن المكوّن الأول، PaCo-Reward، من مُقيّم ثنائي للاتساق تم تدريبه على مجموعة بيانات كبيرة تم بناؤها عبر زوجية تلقائية للأشكال الفرعية. ويقيّم الاتساق من خلال آلية تقييم توليدية ذاتية التسلسل، محسّنة بتعليمات واعية بالمهام وأسباب استنتاجية (CoT). أما المكوّن الثاني، PaCo-GRPO، فيعتمد استراتيجية تحسين منفصلة عن الدقة (resolution-decoupled optimization) لتقليل تكاليف التعلم التعزيزي بشكل كبير، إلى جانب آلية تجميع متعددة المكافآت مُعدّلة باستخدام اللوغاريتم (log-tamed) لضمان تحسين مكافآت متوازنة ومستقرة. أظهرت التجارب الواسعة على المهمتين الفرعيتين الممثلتين نتائج ملموسة: حيث يُحسّن PaCo-Reward بشكل كبير مواءمة النموذج مع إدراك البشر للاتساق البصري، بينما يحقق PaCo-GRPO أفضل أداء في الاتساق مقارنة بالأساليب السابقة، مع تحسين كفاءة التدريب واستقراره. تُبرز هذه النتائج معًا الإمكانات الكبيرة لـ PaCo-RL كحل عملي وقابل للتوسع في مجال إنتاج الصور المتسقة. يمكن الاطلاع على صفحة المشروع عبر الرابط التالي: https://x-gengroup.github.io/HomePage_PaCo-RL/.