清华大学、NVIDIA和斯坦福大学的研究团队联合提出了Diffusion Negative-aware FineTuning（DiffusionNFT）新范式，为扩散模型的强化学习（RL）带来了突破。该方法首次直接在前向加噪过程上进行优化，摆脱了对似然估计和特定采样器的依赖，显著提升了训练效率和生成质量。DiffusionNFT利用负例感知微调，通过对比正负样本来定义改进方向，并实现了采样器自由和CFG-free的优化。实验结果表明，DiffusionNFT在效率和生成质量上均超越现有方法，为统一的生成模型对齐范式奠定了基础。

✨ **革新性的前向过程优化**：DiffusionNFT 彻底改变了以往将强化学习应用于扩散模型反向去噪轨迹的思路，转而直接在前向加噪过程中进行优化。这一范式转变使得模型能够更高效地学习，并解决了现有方法在似然估计困难、前后向不一致、采样器受限以及CFG集成复杂性等方面的根本性局限。

🎯 **负例感知与对比学习**：该方法巧妙地利用奖励信号将生成的样本区分为正例和负例，并在此基础上进行“负例感知微调”（Negative-aware FineTuning, NFT）。通过显式地利用负样本信号，模型能够更有效地“避开”低质量区域，从而在隐式参数化下将正负分布的对比转化为单一网络的训练目标，无需额外的判别器。

🚀 **高效且灵活的训练与采样**：DiffusionNFT 实现了训练与采样的彻底解耦，允许使用任意黑盒 ODE/SDE 求解器，摆脱了对特定一阶 SDE 采样器的依赖。同时，训练过程无需存储完整的采样轨迹，仅需最终样本和奖励值，极大地提升了训练效率，并在多个任务上展现出 3× 至 25× 的效率优势。

🌟 **CFG-free 原生优化与性能提升**：DiffusionNFT 直接学习奖励引导的生成能力，无需在推理时依赖分类器引导（CFG），从而避免了额外的计算开销。即使在完全不依赖 CFG 的情况下，DiffusionNFT 也能在美感和对齐度等方面显著优于原始模型，并在多奖励联合优化实验中取得了优异的性能。

2025-10-07 08:08 四川

向统一的生成对齐范式迈进

清华大学朱军教授团队， NVIDIA Deep Imagination 研究组与斯坦福 Stefano Ermon 团队联合提出了一种全新的扩散模型强化学习（RL）范式 ——Diffusion Negative-aware FineTuning (DiffusionNFT)。该方法首次突破现有 RL 对扩散模型的基本假设，直接在前向加噪过程（forward process）上进行优化，在彻底摆脱似然估计与特定采样器依赖的同时，显著提升了训练效率与生成质量。文章共同一作郑凯文和陈华玉为清华大学计算机系博士生。

论文标题：DiffusionNFT: Online Diffusion Reinforcement with Forward Process

论文链接：https://arxiv.org/abs/2509.16117

代码仓库：https://github.com/NVlabs/DiffusionNFT

背景 | 扩散模型的 RL 困境

近年来，强化学习在大语言模型（LLMs）后训练中的巨大成功，催生了人们将类似方法迁移到扩散模型的探索。例如，FlowGRPO 等方法通过将扩散采样过程离散化为多步决策问题，从而在反向过程上应用策略梯度优化。然而，这一思路存在多重根本性局限：

1. 似然估计困难：自回归模型的似然可精确计算，而扩散模型的似然只能以高开销近似，导致 RL 优化过程存在系统性偏差。

2. 前向–反向不一致：现有方法仅在反向去噪过程中施加优化，没有对扩散模型原生的前向加噪过程的一致性进行约束，模型在训练后可能退化为与前向不一致的级联高斯。

3. 采样器受限：需要依赖特定的一阶 SDE 采样器，无法充分发挥 ODE 或高阶求解器在效率与质量上的优势。

4.CFG 依赖与复杂性：现有 RL 方案在集成无分类器引导 (CFG) 时需要在训练中对双模型进行优化，效率低下。

因此，如何设计一种既能保留扩散模型原生训练框架，又能高效融入强化学习信号的统一方法，是亟待探索的问题。

方法 | 基于前向过程的负例感知微调

DiffusionNFT 提出了一个全新的思路：把强化学习直接作用于扩散的前向加噪过程，而非反向去噪轨迹。这一设计带来了范式性的转变。

核心机制包括：

正负对比的改进方向：在采样生成中，利用奖励信号将样本划分为正例与负例，从而定义出一个隐式的 “改进方向”。与只使用正样本的拒绝采样微调（Rejection FineTuning, RFT）不同，DiffusionNFT 显式利用负样本信号，确保模型有效 “避开” 低质量区域。

负例感知微调 (Negative-aware FineTuning, NFT)：通过一种巧妙的隐式参数化方式，从目标模型同时定义正向策略与负向策略，将正负分布对比转化为单一网络的训练目标，不需额外判别器或引导模型。

强化指导 (Reinforcement Guidance)：在数学上，DiffusionNFT 将优化目标刻画为对旧策略分布的偏移量 ∆，这一过程与 CFG 类似，但不依赖双模型结构，而是内生于训练目标中。

这样的设计使 DiffusionNFT 同时满足以下优势：

1. 前向一致性：训练目标严格符合扩散的 Fokker–Planck 方程，不破坏与前向过程的一致性，使得训练后的模型仍然是良定义的扩散模型。

2. 采样器自由：训练与采样彻底解耦，可使用任意黑盒 ODE/SDE 求解器，摆脱对一阶 SDE 的依赖；同时在训练时只需存储最终样本与对应奖励值，无需整条采样轨迹。

3. 似然无关：不再需要变分下界或反向轨迹似然估计，训练只依赖生成图像与奖励。

4.CFG-free 原生优化：直接学习到奖励引导的生成能力，避免 CFG 的推理开销，同时仍可兼容 CFG 进一步提升性能。

实验 | 高效性与生成质量

研究团队在多个奖励模型上验证了 DiffusionNFT 的有效性。主要结果包括：

大幅效率提升：在 GenEval 任务上，DiffusionNFT 仅需 1k 步 即可将得分从 0.24 → 0.98，而 FlowGRPO 需超过 5k 步才能达到 0.95。整体上，DiffusionNFT 在不同任务上表现出 3×～25× 的训练效率优势。

CFG-free 场景下显著提升：即便完全不依赖 CFG，DiffusionNFT 也能在美感、对齐度等方面显著优于原始模型。

多奖励联合优化：在 SD3.5-Medium 上同时优化 GenEval、OCR、PickScore、ClipScore、HPSv2.1 等多种奖励，最终模型在所有指标上均超越原始模型，与只针对单一奖励进行优化的 FlowGRPO 持平，并超过更大规模的 SD3.5-L 与 FLUX.1-Dev 模型。

展望 | 向统一的生成对齐范式迈进

DiffusionNFT 的提出，不仅为扩散模型的强化学习提供了一个高效、简洁且理论完备的新框架，也对更广泛的生成模型对齐研究具有启发意义。从语言模型到视觉生成，DiffusionNFT 展示了负例感知 + 前向一致性普适价值。它打破了似然估计与反向轨迹的限制，建立起监督学习与强化学习之间的桥梁。在未来，DiffusionNFT 有望推广至多模态生成、视频生成以及大模型对齐等更复杂场景，成为统一的生成优化范式。

© 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

阅读原文

跳转微信打开