标签
本文介绍了Trace，一个信用引导框架，它将噪声交互历史编译为可执行演练，以提升长期AI智能体的性能，在实验中显示出显著改进。
本文比较了视觉-语言数学推理中稀疏奖励强化学习的先验注入方法，发现其有效性取决于传递方式，并且某些评估切片可能会误导泛化评估。
SCOUT 提出了面向稀疏奖励强化学习的每上下文重置课程，根据每个上下文的学习进度调整辅助移除，在导航和操作任务中优于全局节奏方法。
本文研究了Muon优化器在强化学习后训练中的应用，发现在ALFRED任务中，将Muon应用于隐藏权重矩阵相比AdamW显著提高了成功率，且结果依赖于优势估计器和学习率。
Mesh-RL是一种用于强化学习的空间域分解框架，它将环境划分为重叠的子网格，以加速时序差分学习和长程信用分配，从而在稀疏奖励环境中提高收敛速度和样本效率。
提出ULPS，一种将校准的LLM集成到RL训练中的框架，通过不确定性调制的引导和基于A*的符号轨迹，在MiniGrid-UnlockPickup上实现了更高的成功率和样本效率。