扩散模型强化学习新方法RPO：把注意力路由转为随机探索

RPO论文作者提出了一种面向扩散模型的强化学习方法RPO（Routing Policy Optimization），将注意力路由作为随机探索动作引入扩散生成器，使模型在不修改原始确定性采样器的前提下完成在线强化学习对齐。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。