GRPO 已经成为大模型 RL 训练的事实标准方法之一，但当它被搬到扩散文生图模型上时，工程上的痛点异常明显——Flow-GRPO、DanceGRPO 等方案要沿着整条去噪链对每一步都做 SDE 采样和策略优化，训练时间和显存消耗双双爆炸。腾讯混元团队与北大计算机学院/计算机中心合作提出的 MixGRPO，被 ECCV 2026 接收，正是对这条痛线的直接回应。 核心做法是引入“滑动窗口”机制——只在窗口内做 SDE 采样和 GRPO 优化，窗口外换成 ODE 采样。这种“夹心”设计带来两个层面的好处：一是把策略更新的负担压缩到小子区间，训练时间下降近 50%；二是窗口外不参与反向梯度，可以用更高阶 solver 跑得更快，由此衍生出 MixGRPO-Flash 变体，训练时间再砍 71%。 作者在 FLUX.1-dev 上以 HPSv2、ImageReward、PickScore 组成多奖励组合，MixGRPO 在人类偏好对齐指标上超过 DanceGRPO，训练成本对应缩短。代码、checkpoint 与训练脚本全部开源（GitHub 1.1k stars），是少见的工业化实践与学术结果合一的成果。 MixGRPO 的方法学意义不止于省时间——它把“哪些时间步真正影响策略更新、哪些只是 forward pass”这个问题讲清楚了。扩散语言模型的 RL 训练大概率会沿着“局部化优化”这条路径演进，MixGRPO 是该路径上一个非常典型的范式样本。对正在做 RL-augmented 图像生成、视频生成的工程团队来说，这条思路的价值远不止省显卡——它把“无需全链路梯度”的理念正式带进了扩散 RL 这个仍偏年轻的方向。