扩散模型在单一工作上的强化进建已经获得了显著进展，例如提升文字天生质量、加强构图正确性，或优化画面美感等

。但倒剽些能力必要同时集成到统一个模型中时，训练往往会变得极度难题：分歧工作之间容易产生互有关扰，训练指标也会变得复杂而不不变

。 近期，来自复旦大学与阿里巴巴通义万相的钻研团队对此提出了新的思虑

。他们以为，多工作强化进建不应被视为一个统一优化问题，而应该解耦为两个彼此独立的过程：单工作的在线战术索求 & 多工作能力整合

。 DiffusionOPD 的主题思路，是先针对分歧工作别离训练各自的「专家老师」模型；随后，再通过在线战术蒸馏，将这些老师模型的能力统一蒸馏到统一个学生模型中，实现多工作能力整合

。最终，一个统一的 student model 便可能同时两全构图、OCR、美学等多项能力

。 结合多工作 RL (Joint Multi-Task Optimization) ：使用现有的 RL 算法规如 DiffusionNFT, GRPO 去结合优化多个工作

。这种范式会撞上两个问题： 1 嘉奖矛盾：分歧工作的优化?神驰往存在互有关扰； 2 工作失衡：单一工作会主导训练过程，导致复杂工作难以充分进建

。 级联 RL (Cascade RL)：按阶段顺次训练分歧工作

。固然可能缓解工作矛盾，但是训练流程复杂，必要别离调整各阶段的超参数与训练战术，并且容易产生苦难性忘却，后续工作训练的时辰会减弱已有能力

。 图 1：（a）相比所有多工作强化进建基线步骤，DiffusionOPD 展示出显著更快的收敛速度以及更高的机能上限

。（b）在蕴含 GenEval、OCR 与美学在内的多个工作领域中，DiffusionOPD 均优于所有基线步骤

。 DiffusionOPD 给出的答案?脆利落：多工作强化进建不应被视为一个统一优化问题，而应该解耦为两个彼此独立的过程：单工作的在线战术索求 & 多工作能力整合

。 Stage 1?单工作?师独?训练：针对分歧工作（如 GenEval、OCR、Aesthetic 等），别离使用现有的 diffusion RL 步骤训练对应的「专家老师」模型

。其中，GenEval 工作选取 DiffusionNFT，OCR 与美学工作选取 GRPO-Guard

。由于每个老师仅掌管单一工作，因而可能预防跨工作滋扰

。Stage 2?在线战术蒸馏多工作能力到学?模型：随后，从一个预训练扩散模型初始化统一的学生模型，并通过在线战术蒸馏整合多工作能力

。在训练过程中，学生模型针对分歧工作，基于自身战术天生去噪轨迹；随后，在学生天生的每个去噪状态上，由对应工作的老师模型提供监督信号

。因而，学生模型无需沉新对所有工作进行从零索求，而是可能直接进建各工作老师的战术与能力，从而实现高效的多工作能力融合

。 在 LLM 中，OPD 的做法很天然：学生模型先依照自己的战术天生 token，随后老师模型在学生接见到的每一个 token 状态上提供监督

。由于说话模型自身是离散 token 散布，因而能够直接对每一步的 token distribution 做 KL 蒸馏

。 因而作者首先把 diffusion 的去噪过程沉新视作一个 continuous-state Markov chain（陆续状态马尔可夫链）

。在这个视角下，每一步去噪 transition 都对应一个 Gaussian transition kernel；学生模型和老师模型别离界说自己的 transition distribution： DiffusionOPD 论文里严格证了然直接关式 KL 与 PPO -style policy gradient在进展意思下梯度齐全相称

。但 PPO 的梯度里会多出一项 score-function 项，它与高斯噪声成正比，进展为零但方差不为零

。也就是说，PPO 估计天然比关式 KL 更「吵」

。 图 2：与多工作强化进建步骤以及单工作老师模型的定性对比了局

。每个案例分为两行展示：第一行从左到右顺次为 DiffusionOPD（本文步骤）、Multi-Task GRPO-Guard、Multi-Task NFT 和 Cascade NFT；第二行从左到右顺次为输入文本、Aesthetic Teacher、GenEval Teacher 和 OCR Teacher 的天生了局

。 作者还做了一组很有意思的对照尝试：固定统一批专家教员，别离用 DiffusionOPD、DMD、TDM、SFT 蒸馏到统一个学生，节造变量后对比谁更适合「多工作能力整合」这个场景

。 图 6：关于损失函数大局与采样器噪声水平的消融尝试

。当噪声水平设为 0 时，SDE sampler 将退化为 ODE sampler

。尝试了局批注，PPO-style policy gradient 的阐发逊于同样 noise level 的 closed-form KL objective；此表，更低的噪声水平可能带来更快的收敛速度和更高的机能上限

。