标签
OGPO 框架通过语义关键状态重标注和目标条件过程奖励，将视觉-语言-动作模型的后训练从轨迹级模仿转向关键状态可达性学习，从而提升机器人操作策略在偏离演示轨迹时的恢复能力。实验在 LIBERO 和 MetaWorld 上超越标准监督微调，并在 LIBERO-Plus 及新提出的 LIBERO-ReAct 基准中展现出更强的分布偏移鲁棒性。
OpenHands 研究人员提出了 SkillRefiner，这是一种离线方法，能够从现有的执行轨迹中自动优化智能体技能，无需进行新的 rollout 实验。
AgentBrew 引入了一个离线训练框架，用于工具使用智能体，它从原始交互轨迹中学习，无需任务验证器，使用回顾性任务推断和基于互信息的信用分配，以提升在 GitHub 和 Notion 等现实世界应用中的性能。
PathBridger提出了一种分层离线目标条件强化学习方法，该方法通过逆动力学建模显式地将子目标选择与短期执行连接起来，在基准任务上实现了强大性能。
本文介绍了一种利用未来反馈预测实现开放式对话技能自我进化的方法，将对话反馈转化为固定的离线目标，从而无需实时流量即可进行可复现的技能优化。该方法在保护隐私的销售助手数据集上实现了超过75%的预测准确率。
EmoDistill是一个离线框架，通过隐式Q学习进行情感选择，并基于LoRA的监督微调和评判策略优化进行情感表达，从而将情感谈判技能蒸馏到语言模型智能体中，在对抗性谈判中实现更高的效用。
Auto-Dreamer 提出了一种针对语言代理的离线记忆整合学习方法，将快速记忆获取与慢速跨会话整合解耦，以更小的记忆库实现更高性能，并泛化到未见环境。
一款名为 udemy-downloader-gui 的开源桌面工具已发布，用户可通过一键操作免费下载任意 Udemy 课程，供离线学习使用。