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。
本文介绍了LDM-v0，一个在来自数千个多样强化学习环境的轨迹上离线训练的大决策模型，证明了单一的Transformer策略可以在机器人、自动驾驶、库存管理、网络安全、交易和视频游戏等领域匹配特定任务策略的性能。
ARES提出了一种框架，能够从预训练文档中自动构建基于评估标准的强化学习数据，生成问答对和加权评估标准，从而为开放式的LLM回答提供实例级别的奖励监督，在多维开放式任务上优于现有方法。