NeurIPS 2026 论文提出 TRQAM，用信任域约束稳定离线强化学习微调

论文提出 Trust Region Q Adjoint Matching（TRQAM），一种稳定的离线策略微调算法，通过投影对偶下降自适应控制微调策略与预训练策略之间的路径空间 KL。