FlowRL：基于奖励分布匹配的推理优化方法

FlowRL是一种RL方法，旨在解决传统的奖励最大化方法带来的多样性丧失问题。它通过将奖励转化为标准化的目标分布，并最小化策略和目标分布之间的逆KL散度，来促进多样化的推理路径。
核心创新：
奖励分布匹配： FlowRL的关键技术创新之一是将标量奖励转换为标准化的目标分布。通过引入一个可学习的分区函数，它能够根据奖励信

这篇文章很有意思