标签
SLIM-RL 提出了一种基于风险预算的随机掩码强化学习方法，用于扩散语言模型，避免了轨迹切分，在数学和代码基准测试中以显著更少的训练样本取得了最先进的结果。
本文识别了掩码扩散语言模型中的一种失效模式：基于置信度的解码在复杂推理任务中导致高置信度错误，并表明置信对齐训练会加剧此问题，而随机掩码则能保持推理性能。