arXiv · ML· Xu Han, Jiajing Hu, Li-Ping Liu·· 2026-10-15AI 评分23
提出用于连续流语言模型的强化学习后训练框架,实现低方差路径梯度优化
Backpropagating Verifier Rewards Through Continuous Flow Language Models
AI 导读
研究者提出面向连续流语言模型的强化学习后训练框架,通过引入 Critic 估计中间 token 嵌入价值,绕过非可微解码步骤获取低方差路径梯度。 该 Critic 能随策略变化动态跟踪价值函数,在四项推理任务中,该框架可靠提升模型性能并优于同类基线方法。
来源:arXiv · ML · arxiv.org