HF Daily Papers·· 1 天前精选AI 评分36
Routing Policy Optimization：把注意力路由转为随机探索的扩散模型强化学习方法
Routing Policy Optimization for Online Diffusion Reinforcement Learning
AI 导读
RPO（Routing Policy Optimization）把注意力路由作为随机探索动作引入扩散生成器，使其在不改变原始确定性采样器的前提下完成在线强化学习对齐。
推荐理由
原文给出相比 Flow-GRPO 类方法近 4 倍的训练效率提升和完整的路由机制描述，便于与 rollout 扰动类扩散 RL 方法做对比。
来源：HF Daily Papers · huggingface.co