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
- Optuna 作者秋叶哉：花3亿日元调2个超参的时代，BO/HPO 还有何用武之地 — Stefania_druga · 2026-10-16
- 学者争论：AI 将超越人类做科学，欧洲躲不开只能用别人的 — teortaxesTex · 2026-10-16
- 上海 AI Lab 提出 SERO：用可执行 Oracle 续跑训练长程智能体强化学习 — Shanghai-AI-Laboratory · 2026-10-16
- 清华联手高德发布 OmniVerifier-C1：把二元验证器升级为细粒度打分 — Bowei Liu · 2026-10-16
- 阿里开源 MAI-Gym：移动与桌面 GUI Agent 评测加强化学习训练一体化平台 — Tongyi-MAI · 2026-10-16
- 北大发布 SimForcing：把仿真运动先验蒸馏进真实机器人世界模型 — PekingUniversity · 2026-10-16