仅凭少量运行评分易误导，谷歌研究提出 RL 评测新指标

burkov · x · 2026-08-26

深度强化学习实验成本高昂，研究者常因预算限制仅进行少量独立训练，但随机性极易导致算法优劣判断出错。Google Research 与蒙特利尔大学的研究通过大规模 Atari 实验复现，证实了传统平均值或中位数评分可能掩盖真实进展。为此，论文提出了在无法进行大量运行时的实用报告方案：使用置信区间显示得分范围、性能分布图展示不同分数段表现，以及四分位均值(IQM)来提高鲁棒性。