T-DIG 训练配方：以多样性为奖励并用惩罚防止 reward hacking

T-DIG 训练配方以生成图像信号训练模型，将沿请求变化轴的多样性 TPIPS 作为奖励，并以 VQA 与 HPSv3 作为惩罚。仅使用多样性奖励时，政策可能偏离基础提示词，生成空白图或堆砌过多元素，因此惩罚项对避免 reward hacking 必不可少。