基于杜布变换的生成策略优化框架 DoobPO

研究者提出了 DoobPO 框架，利用杜布 h 变换实现生成策略的免似然强化学习微调。该方法先学习轻量比率模型表征策略更新，再通过条件漂移匹配将其蒸馏至生成策略中，统一适用于扩散模型与流模型策略，并兼容 PPO 和 GRPO 等规则。在 MuJoCo 连续控制基准测试中，DoobPO 相比竞争性扩散与流策略基线展现出强劲性能。