2609.29816 · 小红书推广卡片文案

三个标题变体

1. 数字钩子版：训练成本砍到接近单模态 RL——arXiv 2609.29816 用「模态锚定」把音视频联合 RL 后训练拆成可控的三件事
2. 类比版：相当于给「视频 + 音频」的 RL 后训练装一个"轮流独舞而非双人舞"的开关——arXiv 2609.29816 用 anchor-rollout 解耦训练协议
3. 反直觉版：不动 backbone 也能拿到 RL 后训练收益——arXiv 2609.29816 用 AV-GRPO 让 LTX-2.3 在 JavisBench 上同时拿画质 / 对齐 / 同步性三件满

小红书卡片文案（约 220 字）

做音视频联合生成的姐妹听我说 🫶

你有没有遇到过——RL 后训练一动多模态模型就乱？画质奖励（CLIP/FID）+ 音频奖励（CLAP/FAD）+ 同步性奖励（SyncNet）量纲全不同，打一架 🌀；视频塔长时序音频塔短帧，联合更新一个塔覆盖另一个 ⏰；SyncNet 评估被自己的模型输出欺骗 🚫

arXiv 2609.29816（AV-GRPO: Modality-Anchored Decoupled Diffusion RL for Joint Audio-Video Generation）告诉你——

❌ 错诊：换 backbone / 堆数据 ✅ 真因：训练协议没「解耦」——把奖励、轨迹、目标三件混在一起

修法：模态锚定 Rollout + 冻结塔优化 + 模态自适应目标 + 5DAV 五维度训练集

训练成本「接近单模态 RL」，在 JavisBench / VABench 上同时超 LTX-2.3 的画质 / 语义 / 同步性 ✨

多模态生成 #RL后训练 #扩散模型 #AVGRPO #论文解读 #联合音视频

关联论文：2609.29816（点格式）
科普版：/shared/research-kb/organized/promo/popular/2609-29816.md