# 生成流网络

最大化期望回报的强化学习容易把概率集中到少数高奖励结果上，DARS在每次同策略采样组内估计结果的局部密度，并按密度倒数缩放奖励，再交给标准GRPO更新。在四峰高斯奖励的导航任务中，GRPO只覆盖一个模式，DARS-GRPO把四个模式的质量恢复到接近各0.25，模式总变差为0.014，而GRPO为0.750。在文生图提示改写上，DARS-GRPO在多个数据集、策略语言模型和奖励设置下同时提高图像与提示多样性，并保持语义对齐。

最大化期望回报的强化学习容易把概率集中到少数高奖励结果上，DARS在每次同策略采样组内估计结果的局部密度，并按密度倒数缩放奖励，再交给标准GRPO更新。在四峰高斯奖励的导航任务中，GRPO只覆盖一个模式，DARS-GRPO把四个模式的质量恢复到接近各0.25，模式总变差为0.014，而GRPO为0.750。在文生图提示改写上，DARS-GRPO在多个数据集、策略语言模型和奖励设置下同时提高图像与提示多样性，并保持语义对齐。

GFlowNet按顺序逐个拼出离散对象，而顺序本身决定网络要学哪些条件分布。此前顺序多由预设或均匀反向策略固定，标准训练难以发现有用顺序。Learning-Order GFlowNet在不给顺序标注的情况下联合学习位置与符号，在校验和依赖任务上五轮中四轮收敛，均匀反向策略在训练预算内零轮收敛，固定随机顺序十轮中仅两轮。

GFlowNet按顺序逐个拼出离散对象，而顺序本身决定网络要学哪些条件分布。此前顺序多由预设或均匀反向策略固定，标准训练难以发现有用顺序。Learning-Order GFlowNet在不给顺序标注的情况下联合学习位置与符号，在校验和依赖任务上五轮中四轮收敛，均匀反向策略在训练预算内零轮收敛，固定随机顺序十轮中仅两轮。