提出了一种基于每步加权和优势轨迹重放的策略,用于提高扩散模型RLHF的反馈效率,在保持泛化能力的同时实现了高达6倍的样本效率提升。
机构:CMU
来源:arXiv 2607.07693 | AI4Papers 论文推荐平台