arXiv Computer Vision· Qiuhong Shen, Yiding Yang, Yuxin Zhang, Xinwei Huang, Minxuan Lin, Bo Liu, Hao Kang, Haotian Yang, Yizhi Wang, Chongyang Ma, Xinchao Wang·· 3 小时前AI 评分24
RPO：把注意力路由变成随机探索的扩散模型在线强化学习
Routing Policy Optimization for Online Diffusion Reinforcement Learning
AI 导读
Routing Policy Optimization（RPO）将注意力路由作为随机探索动作，在若干去噪层级上按生成器原生注意力权重采样关键块，用高斯似然对稠密速度打分，并通过共享提示词、初始潜变量与稠密锚层的两次 rollout 奖励差提供优势信号。
来源：arXiv Computer Vision · arxiv.org