奖励反馈学习

正确的VAR强化学习：解决视觉自回归生成中的异步策略冲突

VAR RL Done Right: Tackling Asynchronous Policy Conflicts in Visual Autoregressive Generation

针对VAR模型在强化学习微调中因异构输入结构导致的异步策略冲突问题，提出稳定中间奖励、动态时间步重加权和掩码传播算法，为视觉自回归生成模型的RL对齐提供了可复用的技术方案。