Apple представила DACA-GRPO — подключаемое расширение для GRPO-тренера, которое решает главную проблему диффузионных моделей: неравнозначность шагов денойзинга. На семи бенчмарках прирост составил от 5.6pp до 36.3pp. Что внутри. Метод состоит из двух механизмов. Denoising Progress Scores извлекают веса важности токенов без дополнительных затрат — они учатся прямо на градиентах денойзинга. Stratified Masking Likelihood убирает систематическое смещение оценок правдоподобия. DACA-GRPO протестировали на трёх базовых GRPO-методах. Результаты. На задачах удовлетворения ограничений — 36.3pp, на генерации кода — 7.4pp, на следовании JSON-схемам — 5.9pp, на математике — 5.6pp. Оговорка: без сравнения с диффузионными моделями без GRPO. Все замеры — поверх базовых GRPO-методов, а не против случайной инициализации или SFT. Что это значит: диффузионные языковые модели получают дешёвый способ обучения с подкреплением, не требующий отдельного прогона для оценки вклада каждого токена.