FlowBalance: самосовершенствование reasoning-моделей с опорой на верификатор

Метод самосовершенствования, обучающий нормализованное распределение по полным ответам: замороженная на этапе обучения политика выдаёт приросты лог-вероятностей на уровне токенов, агрегируемые в траекторный скор self-guidance и калибруемые против группового преимущества, выведенного из верификатора. Метод обгоняет FlowRL на математическом reasoning с Qwen3-4B/8B, обучается быстрее и стабильнее и избегает коллапса длины ответов прямой on-policy самодистилляции.