RPG 时间感知强化学习提效 85.7% 超越 vanilla RL

新论文提出 Reward-Rate Policy Gradient（RPG）：在半马尔可夫决策过程框架下优化单位时间内的奖励，而非固定步数的回报，让 agent RL 学会为执行时间买单。在 modded-nanoGPT speedrun 等自动化研究与 MLE agent 任务上，该时间感知 RL 方法相比 vanilla RL 提效 85.7%。

2026-10-14 ~ 2026-10-14 · 2 条相关

• Reward-Rate Policy Gradient：让 agent RL 学会为执行时间买单 — sherryyangML · 2026-10-14
• 时间感知 RL 提效 85.7%，RPG 在 NanoGPT 速度跑上超 vanilla RL — sherryyangML · 2026-10-14