清华大学团队提出的SAFLOW，把辛积分（symplectic integration）里保持结构的思路搬进了策略建模，构建出一种自伴随的流匹配策略，并采用Verlet对称分裂。这套设计让动作采样和似然评估在数值上可逆。

打开网易新闻 查看精彩图片

论文在8个Isaac Lab具身控制任务上做了对比，基线包括PPO、TRPO、FPO和GenPO。结果显示SAFLOW整体占优，其中人形机器人任务上的提升接近51%。

对在线强化学习来说，采样与似然评估能否稳定可逆，直接关系到策略更新的效率。SAFLOW的切入点正是这一层数值结构，而不是在外层堆叠额外模块。