SQAM：用标量伴随匹配实现流策略的 Q-Learning 微调

论文提出 Q-learning with Scalar Adjoint Matching（SQAM），针对流策略经多步流生成动作、用离线 RL 微调时每步需向量-雅可比乘积且成本随流步数与策略规模增长的问题，观察到预训练流策略的批量平均速度雅可比集中在对角线上，据此推导出按流时间缩放最终动作价值梯度的闭式标量伴随，消除逐步向量-雅可比乘积，并在策略生成动作上加入价值惩罚。