ME AI メッセージ、テンセントの混元がUniRLを発表、統一されたマルチモーダルモデルをサポートする強化学習基盤を提供し、2つの新しいアルゴリズムDRPOとFlow-DPPOをリリース。UniRLは単一の後訓練ループ（生成→評価→アドバンテージ→更新→同期）を通じて、拡散/フローモデル、LLM/VLM、および統一マルチモーダルモデル（例：Hunyuan-Image 3やBagel）をカバー。モデルとアルゴリズムは独立した軸として、モデル×アルゴリズムの組み合わせカバレッジを実現。フレームワークはプラグイン可能なロールアウトエンジン（訓練側/SGLang/vLLM-Omni）、FSDP2シャーディング、3つの展開モードをサポート。FlowDPPOは流/拡散モデルに対して、正確な散度に基づく信頼域戦略最適化を導入；DRPOはLLM RLに対して、平滑なアドバンテージ重み付け二次正則化手法を提供。コードは既にオープンソース化。（出典：AiHot）
Tencent HunyuanがUniRLを発表：統一されたマルチモーダル強化学習基盤