腾讯提出自适应奖励路由优化音视频扩散RL训练

2026年10月2日，据 AGI Hunt 报道，腾讯提出 Adaptive Reward Routing（自适应奖励路由），用于 DiffusionNFT 的前向过程强化学习，动态适配奖励更新的位置与多奖励的组合方式，以应对音视频联合扩散训练中的多奖励冲突。该方法包含两个组件：一是跨模态影响力引导路由，以双向交叉注意力响应作为跨模态影响力的代理，据此对 token 级损失重加权，并缩放跨模态层的梯度；二是保偏好模态感知重加权，在热身后以分支级奖励梯度的交互做残差修正，避免强奖励压制弱目标。截至目前，报道仅介绍方法设计，未披露实验数据、评测结果或开源情况。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。