FlowRL: Dopasowanie Rozkładu Nagród dla RL LLM • Przesunięcia z maksymalizacji nagród → dopasowanie rozkładu • +10,0% w porównaniu do GRPO, +5,1% w porównaniu do PPO w matematyce; silne zyski w kodzie • Minimalizuje odwrotną KL, aby pokryć wszystkie ważne ścieżki rozumowania (unika zapadania się w tryb)