标签
GenPO++ 提出了一种可逆生成式策略优化框架，该框架在高阶可逆 ODE 求解器中使用历史状态作为辅助记忆，从而为强化学习中的流式策略实现精确反演和无雅可比似然比计算。它在大规模控制、微调和真实世界机器人任务上取得了有竞争力的性能，同时提高了稳定性和效率。