RPO：面向在线扩散强化学习的路由策略优化

Routing Policy Optimization（RPO）将扩散生成器中的注意力路由变为随机探索动作，在保留原始确定性采样器的同时对齐奖励信号。该方法通过两次共享提示词、初始 latent 与路由去噪层级的 rollout，用奖励差提供优势信号，推理时恢复稠密注意力。在文生图与文生视频任务上，RPO 提升生成质量，训练效率较 Flow-GRPO 类方法提升近 4 倍。