UT Austin 提出流模型奖励后训练方法 MEND

UT Austin 团队提出面向流模型的奖励后训练方法 MEND，其核心是近端速度匹配（proximal velocity matching）强化学习。据 2026 年 10 月 7 日 AGI Hunt 报道，该方法仅需 100 步更新，便在 6 个评估器中的 5 个上超过需要约 4000 步的 Flow-GRPO 基线，训练步数相差约 40 倍。目前公开信息限于方法名称、核心机制与该对比结果，尚无论文细节、其他基准表现或第三方复现的报道。

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。