扩散模型为何不用策略梯度？字节跳动VLM奖励或是例外
kalomaze · x · 2026-08-02
开发者指出，在连续回归被广泛应用的领域，策略梯度（PG）往往难觅踪影。最典型的例子是扩散模型领域，目前几乎没有人尝试在它身上使用类似强化学习中的策略梯度算法。
唯一的例外可能是字节跳动等团队的研究，他们尝试使用内部的视觉语言模型（VLM）作为奖励模型，探索类似 branchgrpo 的方法。
「研究」频道最新
- 新架构 RHEA：8GB 显存即可训练 10 亿参数模型 — zemondza · 2026-08-24
- 跳过 LLM 写代码老套路：自训 16M 参数模型做生成式 CAD — debreuil · 2026-08-24
- Claude 助手发现 6 维球复结构，解 60 年数学难题 — Singularitarian · 2026-08-24
- 研究揭示 AI Agent 行为：六成阅读量来自指令与笔记 — dair_ai · 2026-08-24
- Claude 自主验证 43 个数学模块，AI 攻克理论物理难题 — Tkaraletsos · 2026-08-24
- AI 假记忆：为何模型越用越错，真记忆需遗忘 — PrajwalTomar_ · 2026-08-24