DanceGRPO是什么
DanceGRPO 是字节跳动 Seed 和香港大学联合推出的首个统一视觉生成强化学习框架。将强化学习应用在视觉生成领域，覆盖两大生成范式（diffusion 和 rectified flow）、三项任务（文本到图像、文本到视频、图像到视频）、四种基础模型（SD、HunyuanVideo、FLUX、SkyReels-I2V）及五类奖励模型（图像视频美学、图文对齐、视频动态质量、二元奖励）。DanceGRPO 解决现有视觉生成任务中 RLHF 方案的局限性，实现在多种生成范式、任务、基础模型和奖励模型之间的无缝适应，显著提升模型性能，降低显存压力，适应大型 prompt 数据集训练，能迁移到 rectified flow 和视频生成模型。
DanceGRPO的主要功能
- 提升视觉生成质量：让生成的图像和视频更符合人类审美，更逼真、自然。
- 统一多种生成范式和任务：适用于文本到图像、文本到视频、图像到视频等多种任务。
- 适应多种模型和奖励：兼容多种基础模型和奖励模型，满足多样化需求。
- 提高训练效率和稳定性：降低显存压力，提高训练效率，增强训练稳定性。
- 增强人类反馈学习能力：让模型更好地从人类反馈中学习，生成更符合人类期望的内容。
DanceGRPO的技术原理
- 将去噪过程建模为马尔可夫决策过程：将 diffusion 模型和 rectified flows 的去噪过程建模为马尔可夫决策过程（MDP），将 prompt 作为状态的一部分，将去噪过程中的每一步操作视为一个动作，为强化学习的应用提供基础框架。
- 基于 SDE 采样方程：为满足 GRPO 对随机探索的要求，将 diffusion 模型和 rectified flows 的采样过程统一表述为随机微分方程（SDE）的形式。对于 diffusion 模型，正向 SDE 描述数据逐渐加噪的过程，对应的逆向 SDE 用生成数据，对于 rectified flows，基于引入 SDE 实现逆向过程的随机性，为强化学习提供必要的随机探索机制。
- 应用 GRPO 目标函数进行优化：借鉴 Deepseek-R1 中的 GRPO 策略，给定一个 prompt，生成一组输出样本，基于最大化 GRPO 的目标函数优化策略模型。目标函数考虑奖励信号及不同样本之间的优势函数，模型能在训练过程中更好地学习到如何根据奖励信号调整生成策略，提高生成结果的质量和与人类偏好的一致性。
- 初始化噪声和时间步选择策略：在 DanceGRPO 框架中，初始化噪声是一个关键因素。为避免 reward hacking 现象，DanceGRPO 为来自相同文本提示的样本分配共享的初始化噪声。DanceGRPO 用时间步选择策略，基于选择适当的优化时间步，在不降低性能的前提下减少计算量，提高训练效率。
- 多奖励模型的集成与优势函数聚合：为确保训练的稳定性和生成结果的高质量，DanceGRPO 在实践中用多个奖励模型。由于不同的奖励模型可能具有不同的量纲和分布，DanceGRPO 基于优势函数聚合的方法，更好地平衡不同奖励模型的贡献，让模型在优化过程中综合考虑多个方面的评价指标，生成更符合人类期望的视觉内容。
DanceGRPO的项目地址
- 项目官网：https://dancegrpo.github.io/
- GitHub仓库：https://github.com/XueZeyue/DanceGRPO
- arXiv技术论文：https://arxiv.org/pdf/2505.07818
DanceGRPO的应用场景
- 文本到图像生成：根据文本描述生成高质量图像，用在广告设计、游戏开发等领域，提升创作效率。
- 文本到视频生成：依据文本生成流畅、连贯的视频，适用视频广告、教育视频制作，减少人工成本。
- 图像到视频生成：将静态图像转化为动态视频，用在动画制作、虚拟现实，丰富视觉体验。
- 多模态内容创作：结合文本、图像和视频生成多样化内容，应用在多媒体教育、互动娱乐等，增强沉浸感。
- 创意设计和艺术创作：辅助艺术家和设计师快速生成创意灵感和艺术作品，激发更多创意，提高创作效率。