研究者：纯 on-policy RL 样本效率太低，难撑长程 Agent 训练
JoshPurtell · x · 2026-10-29
一位在做强化学习实验的研究者（引用 Thinking Machines 的 Tinker 与 Prime Intellect 平台）表示，随着 RL 实验规模扩大，越来越明显的是纯 on-policy RL 样本效率极低，成本高昂，不太可能是长程 agentic 场景的出路。他认为需要从根本上重新思考 agent 如何从经验中学习，而不只是扩大 on-policy rollout 的规模，并预告即将分享一个有希望的新方向。
「编程与Agent」频道最新
- TradeOS AI 一周装机 1600:让 Claude/GPT 直接分析 XAUUSD 图表 — DangerousFile467 · 2026-10-29
- OpenKatana:让 Claude 操控 ComfyUI 的开源 AI 视频剪辑器 — rk0neki · 2026-10-29
- 日本独立开发者用 Grok 生成行走视频，自动拆帧合成游戏精灵图 — yshan2u · 2026-10-29
- AI 子智能体自称「工作完成已提交」,主控却坚持逐项审计打脸 — teortaxesTex · 2026-10-29
- 用 vibe coding 给自己颜值打分：LLM 评出均值 5.1 分自证朋友在捧场 — AaronBergman18 · 2026-10-29
- DeepMind 开放 Antigravity 科学计划,用编码智能体加速科研全流程 — DeryaTR_ · 2026-10-29