研究者提出DFR分布正则化奖励微调方法

Romeo Passaro等作者提出DFR（Distributional Functional Rewards）奖励微调方法，用依赖分布的逐样本奖励直接约束生成分布，替代仅在速度场上加ℓ2惩罚的reverse-KL正则。 该方法面向扩散与流匹配模型的奖励微调：在任务奖励之外增加一个依赖分布的逐样本奖励项，作用对象是生成分布本身，而非只约束速度场。 作者称，这一设计是为解决原有reverse-KL正则仅作用于速度场的问题；报道未给出实验效果数据。

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。