RPO：扩散生成在线强化学习路由策略优化

论文作者提出 Routing Policy Optimization（RPO），把扩散生成器中的注意力路由作为随机探索动作，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。作者称，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。

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。