新方法加权伴随匹配微调流匹配模型

Eliot Beyler 与 Francis Bach 提出 Weighted Adjoint Matching，一种在给定可微奖励下微调预训练扩散或流匹配模型的方法。其做法是给控制成本加时间相关权重：生成早期保持高成本，以维持粗粒度特征的平衡与多样性；后期降低成本，用于细化细节、提升奖励。 作者称，该方法等价于在生成路径上做时间变化的 KL 正则化下最大化奖励。在高斯混合与 MNIST 实验中，它比 Adjoint Matching 取得更好的奖励与模式平衡权衡。

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。