雪消寒谷春生-LY

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...