ConicFlow：流匹配模型的约束推理时最优控制

Shervin Khalafi 等作者团队提出 ConicFlow，把 flow matching 模型推理时的约束采样形式化为最优控制问题，在偏离预训练轨迹与奖励之间权衡，并施加硬终端约束，同时给出滚动时域原对偶算法。 作者称，在标准正则性假设下建立了有限时域的次优性保证；在凸-仿射结构下得到随被省略时长线性缩放的更紧界。作者报告的实验覆盖低维与高维设置及一个近期大规模 flow matching 模型，结果显示 ConicFlow 在取得高奖励与较强约束满足的同时，比近期基线更少偏离预训练流。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。