标签
提出 WarpSAC，一种感知环境的非策略强化学习算法，该算法根据数据可用性调整稳定器，在 CPU 规模和 GPU 并行环境中显著提高了性能，优于 FlashSAC。
提出了W2SPO，一种离策略强化学习方法，通过将来自较弱模型的短辅助片段注入目标模型轨迹，以多样化探索并改善推理，在数学基准测试上实现了更好的性能和训练加速。
一种新的离策略强化学习方法，使用扩散模型，通过反转扩散过程来处理离策略数据。