研究者提出MEND：流模型强化学习新方法

研究者提出一种名为 MEND 的流模型强化学习方法，基于近端速度匹配。该方法在 prompt 组内对奖励设上限，仅当奖励增益超过二次位移代价时才接受沿奖励梯度的移动，且无需 KL 项、冻结参考模型或优势权重。上述内容来自论文摘要，尚未见独立验证或对比结果。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。