本文提出AlphaGRPO框架,将GRPO算法与分解式可验证奖励(DVReward)应用于统一多模态生成模型,无需冷启动阶段即可有效激发模型的内在推理与自反射能力,在多项文本生成图像、自反射微调及图像编辑基准测试中实现了稳定且显著的性能提升。
机构:香港大学
来源:arXiv 2605.12495 | AI4Papers 论文推荐平台