@svlevine: 我们可以学习一个模型，为机器人强化学习提供塑造的“过程奖励”，它会随着策略的改进而自动演变…
摘要
这项工作提出了一个模型，该模型学习塑造的“过程奖励”用于机器人强化学习，该奖励会随着策略的改进而自动演变，从而在基准测试和实际环境中提升性能。
我们可以学习一个模型，为机器人强化学习提供塑造的“过程奖励”，它会随着策略的改进而自动演变。这提高了基准测试的性能，并且在真实世界中也能发挥作用！与Raymond Tsao和@ajwagenmaker一起完成的有趣新工作 https://t.co/nBYdXwBqbW
查看缓存全文
缓存时间: 2026/06/26 14:13
我们可以学习一个模型，为机器人强化学习提供塑形的“过程奖励”，该奖励会随着策略的改进而自动演化。这提升了基准测试的性能，并且在现实世界中也能奏效！与 Raymond Tsao 和 @ajwagenmaker 的一些有趣新工作 https://t.co/nBYdXwBqbW
相似文章
面向机器人学习的进度奖励建模：综合综述
本综述为机器人学习的进度奖励建模提供了统一视角，将领域组织为三个步骤：接口、方法和数据/基准。
通过强化学习改进LLM生成的流程模型质量：奖励函数设计的作用
本文系统研究了用于强化学习的奖励函数设计，以提升LLM生成的BPMN流程模型质量，发现等权重奖励优于目标加权奖励，且设计选择与模型架构以非平凡的方式相互影响。
过程奖励引导的树状展开实现高效多轮强化学习
提出PaTR，一个过程奖励引导的自适应树状展开框架，用于LLM智能体的多轮强化学习。它选择性地从有希望的中间状态进行分支，并剪枝死胡同路径，在相同训练预算下，在SWE-Bench上最高提升+5.0，在FrozenLake上提升+9.3。
EvoTrainer：面向自主智能体强化学习的LLM策略与训练框架协同进化
EvoTrainer提出了一种自主训练框架，通过经验反馈协同进化LLM策略与训练框架，在数学推理、代码生成以及长期软件工程任务上超越了人工设计的强化学习基线。
进化策略梯度
OpenAI 推出进化策略梯度（EPG），这是一种元学习方法，通过进化而非直接学习策略来学习损失函数，使强化学习代理能够通过利用类似人类技能迁移的先验经验，更好地跨任务泛化。