连续流语言模型RL后训练框架提出

研究者提出一种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 嵌入的价值，绕过不可微的解码步骤，从而获得比 REINFORCE 方差更低的路径梯度。该 critic 能从每个 token 表示预测价值，并随策略变化持续跟踪价值函数。 在四项推理任务上，该方法稳定提升连续流语言模型表现，并优于同类型基线方法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。