提出了一种面向扩散模型多奖励强化学习微调的梯度空间优化框架MARBLE,通过独立优势估计器与梯度协调机制解决传统加权求和方法的样本级不匹配问题,在接近单奖励训练成本下实现了多维度奖励的同步提升且无需手动调参。
机构:浙大
来源:arXiv 2605.06507 | AI4Papers 论文推荐平台