ICLR2026 Oral | 北大彭一杰团队提出高效优化新范式，递归似然比梯度优化器赋能扩散模型后训练

在 AI 视觉生成领域，扩散模型（DM）凭借其强大的高保真数据生成能力，已成为图像合成、视频生成等多模态任务的核心框架。然而，预训练后的扩散模型如何高效适配下游应用需求，一直是行业面临的关键挑战。近日，北京大学彭一杰教授团队在国际顶会 ICLR 2026 上发表重磅研究，提出递归似然比（RLR）优化器，为扩散模型后训练提供了兼顾效率与性能的半阶微调新方案。该研究第一作者为彭教授指导的博士生任韬，相关成果已被 ICLR 2026 接收为 oral。

• 论文链接：https://openreview.net/forum?id=AZ6lqcvHLX

• 开源代码：https://github.com/RTkenny/RLR-Optimizer

生成效果

现有方法瓶颈凸显，扩散模型后训练亟待突破

扩散模型通过递归去噪过程生成数据，其强大的表达能力依赖于海量数据预训练。但在实际应用中，需要通过后训练对模型进行精准对齐，以满足特定场景的质量要求或人类偏好。当前主流的后训练方法主要分为两类：基于强化学习（RL）的方法和基于截断反向传播（BP）的方法，但两者均存在显著缺陷。

截断 BP 方法为降低内存开销，会终止部分梯度计算，导致梯度估计存在结构性偏差，严重时会引发模型崩溃，生成内容退化为纯噪声；而 RL 方法虽能降低内存需求，但梯度估计方差极高，样本效率低下，训练收敛缓慢。例如，使用全 BP 训练 Stable Diffusion 1.4 仅需 50 个时间步就需约 1TB GPU 内存，完全不具备实用价值；而截断 BP 和 RL 方法又难以兼顾训练稳定性与生成质量。

截断 BP 导致训练崩溃，奖励曲线在后期快速下降

RLR 优化器，实现无偏低方差梯度估计

为突破上述困境，彭一杰教授团队提出递归似然比（RLR）优化器，创新性地设计了半阶梯度估计范式（Half-Order Estimator）。该方法通过利用扩散模型固有的噪声特性，重构递归扩散链中的计算图，实现了无偏且低方差的梯度估计，同时有效平衡了计算成本与优化效果。

RLR 优化器的核心设计包含三大模块：

1. 一阶估计模块：在第一个时间步直接对奖励模型进行反向传播，充分利用模型结构信息，避免黑箱处理带来的精度损失；

2. 半阶优化模块：引入长度为 h 的局部子链，随机选择起始位置，精准捕捉多尺度视觉信息，同时最小化方差；

3. 零阶估计模块：对剩余时间步采用参数扰动策略，确保梯度估计的无偏性，且无需缓存中间潜变量，大幅降低计算开销。

算法框架

半阶估计量的核心可控参数为局部子链长度 h，而 h 的取值直接决定了内存开销与梯度方差的此消彼长关系，这也是 RLR 优化器实现 memory-variance tradeoff 的核心调控旋钮。研究团队将 h 的求解转化为带内存预算约束的方差最小化优化问题，从理论上定量解决了扩散模型微调的内存 - 方差的权衡，为 h 的选择提供了明确的数学依据。

给定内存约束下的方差最小化问题

研究团队基于该方差最小化问题推导出半阶估计量子链长度 h 的最优解析解 h*，并经消融实验验证了工程最优取值：理论上 h * 取内存约束下最大可行 h 与方差最小化理论最优 h 的较小值。在 30~40GB 主流 GPU 内存预算（8 张 V100 GPU）下，h=2 为工程黄金取值，该取值可让半阶子链捕捉扩散链关键尺度信息、将整体方差降至饱和区间，若将 h 增至 3 或 4，单步训练时间从 1.61 分钟飙升至 5.65 分钟、9.23 分钟，奖励分数却仅微幅提升，性价比较低。这一设计实现了内存与梯度方差的定量最优权衡，让 RLR 在有限硬件下兼顾无偏性、低方差与高计算效率。

无偏性证明

团队通过严格的理论分析，证明了 RLR 估计器的无偏性，并给出了方差边界和收敛速率保证。与现有方法相比，RLR 既解决了截断 BP 的偏差问题，又克服了 RL 方法的高方差缺陷，在计算效率与优化性能之间实现了最优平衡。

收敛性证明

实验结果惊艳，图像视频生成任务全面超越 SOTA

为验证 RLR 优化器的有效性，团队在文本到图像（Text2Image）和文本到视频（Text2Video）两大核心任务上开展了大规模实验，与 DDPO、AlignProp、VADER 等基于 RL 和截断 BP 的主流方法进行了全面对比。

在 Text2Image 任务中，基于 Stable Diffusion 1.4 和 2.1 的实验结果显示，RLR 在 PickScore、HPSv2、AES 等多个人类偏好奖励模型上均取得最高奖励分数。其中，在 HPD v2 数据集上，RLR 将 Stable Diffusion 1.4 的 ImageReward 分数从 32.90 提升至 76.55，较 DDPO 提升约 47%，较 AlignProp 提升约 14%。

图像任务的测评表现

在 Text2Video 任务的 VBench 基准测试中，RLR 在主体一致性、运动流畅度、动态程度等 6 个核心指标上表现突出，加权平均分数达到 84.63，超越了 VideoCrafter、Pika、Gen-2 等开源及 API-based 模型，其中动态程度指标达到 70.69，显著领先于其他方法的最高值 66.94。

视频任务上的测评表现

此外，团队还为 RLR 优化器量身设计了扩散思维链提示词技术，通过将原始提示词分解为粗、中、细多尺度提示词，让半阶子链精准针对生成缺陷的尺度进行梯度更新，进一步挖掘 RLR 的性能潜力，在手部生成等细粒度任务中实现了显著的性能提升。

适配 RLR 优化器的扩散思维链