IDRF：掩码离散扩散模型的奖励微调框架

Vladislav Gromadskii 等作者提出 IDRF，一种针对少步掩码离散扩散生成器的奖励微调框架。它用逆蒸馏正则替代不可解的序列级 KL 惩罚，并证明该损失是序列级 KL 散度的上界。 该方法无需参考模型 rollout，在 DNA、图像和文本生成任务上以最多少 32 倍的去噪步数取得高奖励，同时缓解 reward hacking 并保持样本质量。

AI 根据报道生成 · 57 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。