policy-improvement

介绍DistIL，一种从丰富反馈中进行强化学习的方法，保证策略单调改进，在科学推理、编程和数学推理上优于现有方法。

提出了DriftQL，它结合了基于漂移的行为正则化器与评论家驱动的策略改进，用于离线强化学习，在D4RL和OGBench上优于扩散和流方法，同时保持简单性和效率。