PACT：扩散语言模型轨迹感知RL后训练方法

2026年10月14日，arXiv Artificial Intelligence 刊出由 Vaibhav Singh、Eugene Belilovsky 提出的 RL 后训练方法 PACT（Potential-Anchored Consistency of Transitions）。该工作针对扩散语言模型 RL 后训练中的“轨迹盲区”问题：方法联合学习策略与一个由终端奖励锚定的标量势函数，并用一致性损失将已揭示 token 的策略与参考分布对数概率比匹配到势函数变化，从而无需序列似然估计或重要性比裁剪。报道称该方法在扩散语言模型 LLaDA-8B-Instruct 上进行了验证。目前该事件仅有这一篇主报道，尚无跟进报道，也未出现数字、时间或说法上的前后矛盾。

AI 根据报道生成 · 2 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。