FlowBalance: Verifier-Grounded Self-Improvement from On-Policy Reasoning Experience

• 类型：arxiv
• 标识：2609.03241
• 链接：https://arxiv.org/abs/2609.03241
• 主分类：multimodal
• 形态：method
• 被引：1
• 被引来源：Semantic Scholar
• S2被引：1
• OpenAlex被引：0
• 影响力被引：0
• TLDR：FlowBalance, a verifier-grounded self-improvement method that learns a normalized distribution over complete responses, improves average performance over FlowRL on both Qwen3-4B and Qwen3-8B, while also improving training speed and stability, avoiding direct OPSD's response-length collapse, and exhibiting higher correct-strategy diversity in a controlled AIME24 diagnostic.
• OpenAlex ID：W7208732668
• OpenAlex DOI：10.48550/arxiv.2609.03241
• DOI：10.48550/arxiv.2609.03241
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2609.03241
• OpenAlex更新：2026-09-10
• 待LLM分类：否
• 标题中文：FlowBalance：基于验证器的 On-Policy 推理经验自改进
• TLDR中文：FlowBalance 是一种以验证器为锚定的自改进方法，学习完整响应上的归一化分布，在 Qwen3-4B 和 Qwen3-8B 上相对 FlowRL 提升了平均性能，同时改善了训练速度与稳定性，避免了直接 OPSD 响应长度坍缩，并在受控的 AIME24 诊断中表现出更高的正确策略多样性。
• 来源文件：
• /inbox/tom/_candidates/2026-09-08-agent-rag-longcontext-candidates.json
• [OpenAlex backfill]
• [S2 enrich]