在使用强化学习（RL）微调扩散模型（如 Stable Diffusion, Flux）以对齐人类偏好时，我们常面临一个棘手的 “两难困境”：追求高奖励会导致图像质量崩坏（即 Reward Hacking），而为了防止崩坏引入的 KL 正则化又会严重阻碍模型的探索和收敛。
最近，来自于香港科技大学，快手可灵 AI，港中文以及爱丁堡大学的研究团队提出了一种全新的框架 GARDO。它通过门控自适应正则化和多样性感知优化，成功在防止 Reward Hacking 的同时，实现了高效的样本探索和多样性生成。研究工作已经全面开源。
论文第一作者何浩然是香港科技大学博士生，研究方向包括强化学习和多模态基础模型等，研究目标是开发下一代可扩展强化学习后训练算法。通讯作者为香港科技大学电子及计算机工程系、计算机科学与工程系助理教授潘玲。
论文标题：GARDO: Reinforcing Diffusion Models without Reward Hacking
项目主页：https://tinnerhrhe.github.io/gardo_project
论文链接：https://arxiv.org/pdf/2512.24138
背景与动机：RL 后训练中的陷阱
强化学习（RL）在视觉领域的后训练中展现出了不错的效果，逐渐成为当前研究的热点。最近半年，如 flow-grpo，dancegrpo 以及 DiffusionNFT 等工作受到了大家广泛关注。
然而，在视觉任务中，定义一个完美的 “奖励函数（Reward Function）” 极其困难。我们通常使用的是一个代理奖励（Proxy Reward），例如 ImageReward、Aesthetic Score 或者 OCR 识别率。
这就导致了一个典型的问题：Reward Hacking。当模型过度优化这个代理奖励时，它会找到奖励模型的漏洞（Out-of-Distribution, OOD 区域）。结果就是，代理分数（Proxy Score）极高，但生成的图像充满了噪点、伪影，甚至完全失去了真实感。
Reward Hacking 定义
下面展示文生图出现 hacking 的例子：
为了解决这个问题，传统方法（如 DPOK, Flow-GRPO）通常引入 KL 散度正则化，强迫微调后的策略 π_θ 不要偏离原始参考策略 π_ref 太远。但研究团队发现，这种 “一刀切” 的 KL 正则化带来了新的问题：
样本效率低：RL 目标函数会被 KL 惩罚项的 π_ref 拖后腿，学习速度变慢。
阻碍探索：π_ref 本身通常是次优的，强制 π_θ 贴近它会阻止模型探索那些参考模型 π_ref 未发现的高奖励区域。
核心问题来了，能否在不牺牲样本效率和探索能力的前提下，防止 Reward Hacking？
GARDO：门控、自适应与多样性
为了打破上述困境，作者提出了 GARDO (Gated and Adaptive Regularization with Diversity-aware Optimization) 框架。
GARDO 方法概览图
KL-regularized RL 的最优解可以写成：
很大程度上由 π_ref (x) 和代理奖励函数 
决定。
基于上述观察，GARDO 的框架基于三个核心洞察：
洞察一：正则化不需要 “雨露均沾”
方法：门控 KL 机制 (Gated KL Mechanism)
根据定义 1，只有当模型 π_θ 生成的样本落在代理奖励不可靠的区域（即 OOD 区域）时，才真正需要 KL 正则化。对于那些既高质量又在分布内的样本，施加惩罚只会阻碍学习。
GARDO 引入了不确定性估计（通过奖励模型集成 ranking 差异来衡量）。
其中 
计算的一个 batch 里的胜率。
做法：只对那些具有高不确定性 （Reward Model 拿不准，可能是 Hacking）的样本施加 KL 惩罚。
效果：实验发现，仅对约 10% 的高不确定性样本进行惩罚，就足以有效防止 Reward Hacking，让其余 90% 的样本自由探索。从而实现在不牺牲样本效率的情况下，有效抑制 hacking 现象的出现。
洞察二：静态的 π_ref 会限制 RL 优化的上限
方法：自适应正则化目标 (Adaptive Regularization Target)
如果 π_ref 一直不变，随着 π_θ 的变强，KL 惩罚会主导整个 learning Loss，导致优化停滞。
做法：定期更新 Reference Model π_ref（将其重置为当前的策略）。
效果：这就像给模型设立了动态更新的 “锚点”，既保证了训练的稳定性，又允许模型持续进化，探索更广阔的空间。
洞察三：RL 容易 mode collapse，需要鼓励多样性生成
方法：多样性感知优势重塑 (Diversity-Aware Advantage Shaping)
RL 训练容易导致 Mode Collapse（模式坍塌），即模型发现一种高分画法后就只会画这一种。这不仅降低了生成质量，也加剧了 Reward Hacking。
做法：利用 DINOv3 提取特征，计算样本在特征空间中的稀疏度作为 “多样性分数”。将此分数以乘法形式作用于优势函数（Advantage）。
注意：只奖励那些既有正向优势（高质量）又具有高多样性的样本，防止模型为了多样性而生成乱七八糟的东西。
研究团队在高斯混合分布（预训练分布）上训练了一个包含三层 MLP 的扩散模型，目标是捕捉奖励景观中所示的多模态高奖励聚类。使用较大 KL 系数 β 的传统强化学习方法约束过强，无法提升奖励。与之相对，过小的 β 则会导致严重的模式坍缩。团队提出的多样性感知优化方法单独使用时，已成功捕捉到多模态聚类，包括参考策略 π_ref 中概率密度最低的中心聚类。而团队提出的完整的 GARDO 框架则能同时实现奖励最大化并发现所有高奖励聚类。
实验结果：全方位的提升
作者在 SD3.5-Medium 和 Flux.1-dev 等多个基底模型上，针对不同的奖励任务（GenEval, OCR, Aesthetic 等）和不同的 RL 算法（flow-grpo，DiffusioNFT 等）进行了广泛实验。
定量评估
相比于 Flow-GRPO 等基线方法，GARDO 展现了显著的优势：
拒绝 Hacking：在 OCR 等易被 Hack 的任务中，GARDO 在保持高识别率的同时，图像质量指标（如 Aesthetic, PickScore）没有下降，甚至有所提升。
样本效率：学习曲线显示，GARDO 能够以更少的步数达到更高的奖励水平。
泛化性：在未见过的测试指标上（Unseen Metrics），GARDO 表现出极强的鲁棒性。
GARDO 和 baseline 在不同 metric 上的表现。训练优化代理任务黄色高亮。
涌现能力
最令人印象深刻的是 GARDO 激发了模型的涌现能力（Emergent Behavior）。
在极具挑战性的 “数数任务”（生成特定数量的物体）中，基底模型和传统 RL 方法很难生成超过 9 个物体。
而 GARDO 成功学会了生成 10 个甚至 11 个物体。
总结
GARDO 针对扩散模型 RL 后训练中的痛点，提出以下解决方案：
拒绝盲目正则化 →→ 门控 KL（只惩罚不可靠的）
拒绝静态锚点 →→ 自适应更新（不断提升上限）
拒绝模式坍塌 →→ 多样性感知（鼓励百花齐放）
这项工作证明了：在视觉生成的强化学习中，精准的控制比强力的约束更重要。对于希望利用 RL 进一步释放扩散模型潜力的研究者和开发者来说，GARDO 提供了一个极具价值的通用框架。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
