标签
提出了Q-Steer，一种用于分子策略优化的 rollout 时间动作价值引导方法，它使用冻结的前缀动作价值评分器来改进采样，而不改变在线 oracle 预算。
tldraw宣布，现在可以在绘图工具中离线训练神经网络。
本文介绍了一种算法无关的方法——反馈操控正则化（FMR），它利用评估性反馈改善模仿学习中的对齐效果，在Safety Gymnasium环境中实现了高达98%的对齐错误减少。