它要解决什么问题
flow matching 本身是确定性的，没有探索空间，无法直接做强化学习。
机制拆解
- 把确定性 ODE 采样过程转成带随机性的 SDE，提供可优化的轨迹分布
- 用 GRPO 的组内相对优势优化生成结果
量产判断
读完应该能问
- 加了随机性之后，生成的稳定性和一致性怎么保证？
回到术语
- 流匹配——不预测噪声，而是学习从噪声轨迹流向真实轨迹的连续速度场，推理时解 ODE——采样步数更少。
- PPO 与 GRPO——都是策略优化算法；GRPO 用「同场景多条候选的组内相对好坏」算优势，省掉了单独的价值网络。