基于 Doob 变换的生成式策略优化

研究人员提出 Doob Policy Optimization（DoobPO）框架，利用 Doob h-变换实现生成式策略的无似然强化学习微调。该方法先训练轻量比率模型，再通过条件漂移匹配蒸馏至扩散或流模型中，统一支持 PPO 和 GRPO 规则。在 MuJoCo 连续控制基准测试中，DoobPO 相比扩散与流策略基线取得了更强性能。