arXiv cs.AI@Runhui Huang, Jie Wu, Rui Yang, Zhe Liu, Hengshuang Zhao
精选70
推荐理由：做多模态生成或强化学习对齐的团队值得关注——AlphaGRPO 用分解奖励解决了复杂指令的监督难题，让模型能自我反思修正，直接提升图像生成质量。
精选
AI 自动挑选的高价值内容
5月13日
19:12
AlphaGRPO 是一个将 GRPO 强化学习方法应用于统一多模态模型（UMMs）的新框架，无需冷启动阶段即可增强多模态生成能力。它让模型能够执行推理式文本到图像生成（主动推断用户隐含意图）和自反思优化（自主诊断并修正生成结果中的偏差）。为解决真实场景多模态生成的稳定监督问题，论文提出分解可验证奖励（DVReward），利用 LLM 将复杂请求拆解为原子化、可验证的语义与质量子问题，再由通用 MLLM 评估并提供可解释反馈。实验表明，AlphaGRPO 在 GenEval、TIIF-Bench、DPG-Bench 和 WISE 等基准上取得稳健提升，并在未训练编辑任务的情况下在 GEdit 上获得显著改进。