擴散模型在單一任務上的強化學習已經取得了顯著進展，例如提升文字生成質量、增強構圖準確性，或優化畫面美感等。但當這些能力需要同時集成到同一個模型中時，訓練往往會變得十分困難：不同任務之間容易產生相互干擾，訓練目標也會變得復雜而不穩定。

近期，來自復旦大學與阿里巴巴通義萬相的研究團隊對此提出了新的思考。他們認為，多任務強化學習不應被視為一個統一優化問題，而應該解耦為兩個彼此獨立的過程：單任務的在線策略探索 & 多任務能力整合。

基于這一觀點，他們提出了DiffusionOPD，為 diffusion 領域的 On-Policy Distillation 提供了一個統一視角，并建立了相應的理論與實驗框架。

DiffusionOPD 的核心思路，是先針對不同任務分別訓練各自的「專家教師」模型；隨后，再通過在線策略蒸餾，將這些教師模型的能力統一蒸餾到同一個學生模型中，實現多任務能力整合。最終，一個統一的 student model 便能夠同時兼顧構圖、OCR、美學等多項能力。

• 論?標題：DiffusionOPD: A Unified Perspective of On-Policy Distillation in Diffusion Models
• 論文地址：https://arxiv.org/abs/2605.15055
• 項?主?：https://quanhaol.github.io/DiffusionOPD-site/
• 代碼鏈接 https://github.com/ali-vilab/DiffusionOPD

多任務強化學習方法

過去常?的多任務強化學習?法主要有兩類。

聯合多任務 RL (Joint Multi-Task Optimization) ：使用現有的 RL 算法例如 DiffusionNFT, GRPO 去聯合優化多個任務。這種范式會撞上兩個問題： 1 獎勵沖突：不同任務的優化?向往往存在相互干擾； 2 任務失衡：簡單任務會主導訓練過程，導致復雜任務難以充分學習。

級聯 RL (Cascade RL)：按階段依次訓練不同任務。雖然能夠緩解任務沖突，但是訓練流程復雜，需要分別調整各階段的超參數與訓練策略，而且容易產生災難性遺忘，后續任務訓練的時候會削弱已有能力。

圖 1：（a）相比所有多任務強化學習基線方法，DiffusionOPD 展現出顯著更快的收斂速度以及更高的性能上限。（b）在包括 GenEval、OCR 與美學在內的多個任務領域中，DiffusionOPD 均優于所有基線方法。

DiffusionOPD: 單任務探索 + 多任務整合

DiffusionOPD 給出的答案?脆利落：多任務強化學習不應被視為一個統一優化問題，而應該解耦為兩個彼此獨立的過程：單任務的在線策略探索 & 多任務能力整合。

整體訓練過程可分為兩個階段

• Stage 1?單任務?師獨?訓練：針對不同任務（如 GenEval、OCR、Aesthetic 等），分別使用現有的 diffusion RL 方法訓練對應的「專家教師」模型。其中，GenEval 任務采用 DiffusionNFT，OCR 與美學任務采用 GRPO-Guard。由于每個教師僅負責單一任務，因此能夠避免跨任務干擾。
• Stage 2?在線策略蒸餾多任務能力到學?模型：隨后，從一個預訓練擴散模型初始化統一的學生模型，并通過在線策略蒸餾整合多任務能力。在訓練過程中，學生模型針對不同任務，基于自身策略生成去噪軌跡；隨后，在學生生成的每個去噪狀態上，由對應任務的教師模型提供監督信號。因此，學生模型無需重新對所有任務進行從零探索，而是能夠直接學習各任務教師的策略與能力，從而實現高效的多任務能力融合。

Diffusion 領域 OPD 的?標函數推導

在 LLM 中，OPD 的做法很自然：學生模型先按照自己的策略生成 token，隨后教師模型在學生訪問到的每一個 token 狀態上提供監督。由于語言模型本身是離散 token 分布，因此可以直接對每一步的 token distribution 做 KL 蒸餾。

但 diffusion model 不一樣。它不是離散 token 序列，而是一個連續狀態的去噪過程。

因此作者首先把 diffusion 的去噪過程重新視作一個 continuous-state Markov chain（連續狀態馬爾可夫鏈）。在這個視角下，每一步去噪 transition 都對應一個 Gaussian transition kernel；學生模型和教師模型分別定義自己的 transition distribution：

接著，論文進一步推導發現：由于 student 和 teacher 的transition covariance 是相同的，于是整個擴散版 OPD ?標 reverse KL，就被寫成了?個完全解析、? Monte-Carlo ?差的均值匹配損失：

作者進一步指出這一框架同時統一了stochastic SDE sampler 與 deterministic ODE sampler。在 ODE 情況下目標會退化成均值之間的 L2 匹配。

與 PPO-style policy gradient 的比較

另一個一非常自然的想法是：把老師當作「過程獎勵模型」，把 KL 損失看作每一個去燥步的 dense reward 然后計算 advantage，最后套一個 PPO 的損失函數。

DiffusionOPD 論文里嚴格證明了直接閉式 KL 與 PPO -style policy gradient在期望意義下梯度完全相等。但 PPO 的梯度里會多出一項 score-function 項，它與高斯噪聲成正比，期望為零但方差不為零。也就是說，PPO 估計天然比閉式 KL 更「吵」。

更關鍵的是 PPO 形式離不開 logprob 與 ratio 的計算，因此它在 ODE 確定性采樣器下根本無法定義，僅僅支持 SDE sampler。

實驗結果

1.與多任務強化學習方法的對比

定量效果對比：

訓練曲線對比：

定性效果對比：

圖 2：與多任務強化學習方法以及單任務教師模型的定性對比結果。每個案例分為兩行展示：第一行從左到右依次為 DiffusionOPD（本文方法）、Multi-Task GRPO-Guard、Multi-Task NFT 和 Cascade NFT；第二行從左到右依次為輸入文本、Aesthetic Teacher、GenEval Teacher 和 OCR Teacher 的生成結果。

2.蒸餾方法消融：

作者還做了一組很有意義的對照實驗：固定同一批專家老師，分別用 DiffusionOPD、DMD、TDM、SFT 蒸餾到同一個學生，控制變量后對比誰更適合「多任務能力整合」這個場景。

訓練曲線對比：

曲線表示同樣的老師、同樣的采樣設置，DiffusionOPD 在收斂速度和上限上都明顯更好。

定性效果對比：

圖 3：與不同蒸餾方法的定性對比結果。從左到右依次為：DiffusionOPD（本文方法）、DMD、TDM 和 SFT。

3.Loss 形式以及 Sampler Type 消融

圖 6：關于損失函數形式與采樣器噪聲水平的消融實驗。當噪聲水平設為 0 時，SDE sampler 將退化為 ODE sampler。實驗結果表明，PPO-style policy gradient 的表現遜于同樣 noise level 的 closed-form KL objective；此外，更低的噪聲水平能夠帶來更快的收斂速度和更高的性能上限。