标签
本文研究了KL正则化的上下文强盗问题，并表明贪婪采样能够在奖励和偏好反馈下实现对数遗憾，而无需显式依赖于eluder维度。
Dream-RSI 是一个用于AI代理的可扩展递归自我改进框架，它利用历史发现树创建重放模拟器，用于离线策略评估，减少在线成本并提高发现效率。