constrained-sampling

ConicFlow 将流匹配模型的约束采样建模为推理时的最优控制问题，采用滚动时域原对偶算法在满足硬终端约束的同时高奖励生成并少偏离预训练轨迹，理论上给出了次优性保证并在实验中优于现有基线。

本文提出 MintFlow，一种针对流匹配模型的免训练约束采样框架。该框架通过对中间流状态施加最小的闭式扰动来满足约束条件，相比当前最先进的约束方法，能更好地保持预训练生成分布。

Needle 2 是一个开放的、45M 参数 AI 模型，用于工具调用和结构化提取，优化后可在浏览器中以 14MB 运行，并通过受约束采样保证 JSON 输出。

讨论了使用约束采样技术从大型语言模型生成结构化输出的方法。

本文提出了一种用于约束扩散模型的原始-对偶推断方法，通过双重条件得分网络联合推断最优分布及其对偶变量，并提供了收敛性保证，在无线资源分配和投资组合管理中有应用。

DiRecT提出了一种免训练的安全扩散规划算法，通过滚动时域去噪仅在最终干净轨迹上施加约束，相比于现有方法提升了安全性和性能。

提出了Constraint-Aware Flow Matching，一种新颖的端到端框架，将模型的学习动态与约束采样过程对齐，减轻了投影校正带来的分布偏移，从而实现高质量的约束生成。