标签
本文提出了一种使用内在好奇心进行内生探索的强化学习框架，适用于非平稳环境，在如LunarLander-v2和BipedalWalker-v3等基准测试上，与PPO和ICM等算法相比，达到了具有竞争力的性能。
本文识别了在非平稳环境中运行的 LLM 智能体在言语强化学习中面临的保留-遗忘困境，并提出了一种带有反馈驱动策展循环的三层架构，以管理洞察的提取和应用。
本文研究了渐变非平稳环境下强化学习中的稳定性-可塑性困境，发现通过跨多个时间尺度的突触巩固来稳定后继特征，其效果优于专注于可塑性的方法。
本文引入了 CXR-MAX，这是一个大规模基准，旨在利用来自多个多模态大语言模型（MLLM）的 X 射线数据，评估非平稳环境下的推理对齐性能。