非羊 整理自 凹非寺 量子位 | 公众号 QbitAI 用扩散模型 （比如Stable Diffusion） 一张张"挤"出高分辨率图像的时代，正在被世界模型实时生成高清视频的浪潮冲刷。 但无论图像还是视频，扩散模型骨子里的"顺序去噪"过程，就像一场无法并行的接力赛，成为速度提升的终极瓶颈。 如何在不伤及模型"绘画功力"的前提下，为它装上加速引擎？ 西湖大学AGI Lab提出的 RDPO（残差狄利克雷策略优化）框架 ，给出了一种巧妙的答案： 不必改动模型本身，而是优化它的"采样导航 系统" 。 重要的是，由于额外的梯度计算是 独立 的，它们可以完全 并行化 ，从而保持 低延迟采样 的特性。 团队引入了一个 两阶段优化框架 ：最初，EPD-Solver通过基于 蒸馏 的方法优化一小组可学习参数；随后，团队进一步提出了一种参数高 效的强化学习微调框架 RDPO ，将求解器重新构建为随机的狄利克雷 （Dirichlet） 策略。 与微调庞大骨干网络的传统方法不同，团队的RL方法严格在 低维求解器空间 内运行，在增强复杂文本到图像 （T2I） 生成任务性能的同 时，有效缓解了奖励作弊 （Reward Hacking） ...