FlowBalance：基于验证器的在策略推理经验自我改进方法
FlowBalance: Verifier-Grounded Self-Improvement from On-Policy Reasoning Experience
阅读原文
本站未展示全文，请前往来源网站阅读。
AI 导读
FlowBalance 是一种基于验证器的自我改进方法，通过对完整回复学习归一化分布，用冻结策略的 token 级对数概率增益生成轨迹级自引导分数，并用验证器组优势校准：正优势保留引导、负优势反转、无偏好时禁用。
来源：Hugging Face Daily Papers · arxiv.org