Sanjit Dandapanthula

新研究揭示了生成模型中奖励破解的核心机制

研究人员已经确定了生成模型中奖励破解的一个根本原因，特别是在流模型和扩散模型中。他们发现，在实现奖励引导时使用的一种常见近似方法，即Doob h-函数的有限粒子插件估计，会导致模型以牺牲保真度为代价来过度优化奖励。该研究指出了该估计器的两种失效模式：模式内奖励破解以及无法选择高奖励模式。为了解决这些问题，研究人员提出了一种奖励阻尼计划来纠正模式内偏差，并强调了最佳n抽样在模式选择中的重要性。