Papers12:15
Chinese contentShadow Posterior Matching:强化少步扩散模型的奖励对齐新方法如果你在做少步扩散模型的 RL 调优,这篇值得看:SPM 用重加噪的 shadow posterior 拿奖励信号,比现有少步 RL 方法奖励更高、reward hacking 更少,还顺带解决对齐蒸馏 teacher 的老问题。做图像生成对齐的工程团队可以直接参考它的损失设计。
如果你在做少步扩散模型的 RL 调优,这篇值得看:SPM 用重加噪的 shadow posterior 拿奖励信号,比现有少步 RL 方法奖励更高、reward hacking 更少,还顺带解决对齐蒸馏 teacher 的老问题。做图像生成对齐的工程团队可以直接参考它的损失设计。