MIT CSAIL 推出 PoEM:免训练预测 RL 新奖励策略

MIT CSAIL 的 Kimia Hamidieh、Giannis Daras 与 Antonio Torralba 发布论文 PoEM,研究能否在不真正训练的情况下预测强化学习在新奖励上学到的策略。方法上通过组合旧奖励模型进行免训练模拟,核心发现是即使各奖励函数之间并非线性相关,这种预测依然可行。该工作为降低 RL 训练成本提供了新思路。

2026-11-21 ~ 2026-11-21 · 2 条相关