RPO：在线扩散强化学习的路由策略优化

2026年10月15日，Hugging Face Daily Papers 报道了研究者提出的 Routing Policy Optimization（RPO）。该工作针对扩散模型强化学习中扰动反向去噪轨迹导致 rollout 优化成本高的问题，将注意力路由变为随机探索动作，在若干去噪层级上按生成器原生注意力权重采样 key block，并用受控双 rollout 估计优势信号。目前该报道仅介绍了方法本身，未提及实验结果、对比基线或后续进展。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。