强化学习探索

推理调色板：通过潜变量情境化为（视觉）语言模型的可控探索调制推理

Reasoning Palette: Modulating Reasoning via Latent Contextualization for Controllable Exploration for (V)LMs

为视觉语言模型提供一种在生成前对推理策略做潜变量采样的机制：从问答对均值池化嵌入经 VAE 采样潜变量，解码为可学习词元前缀拼接到提示前，可在 RL 训练中按需注入不同推理模式以提升探索多样性，可直接迁移到多模态推理与 RLHF 流程。