Reward Hacking

提出SGPO框架，通过感知扩散生成过程中的语义变化和信噪比，自适应地将RL优化划分为混沌逃离、带探索的偏好优化和稳定收敛三个阶段，以缓解奖励黑客问题并提升生成质量与多样性。