FlowBalance 通过验证器提升推理模型数学能力，超越 GRPO。

转发 @HuggingPapers: FlowBalance：基于验证器的推理模型自改进方法

在 Qwen3-8B 上相比 GRPO 平均数学推理提升 +2.12，训练更快、稳定性更好、解决方案多样性更高。https://t.co/Ec5knYSXPz