二值奖励RL训练机器人策略达94%成功率，作者称配方已清晰

kastnerkyle · x · 2026-11-11

研究者 SediBY571 宣布其机器人 RL 策略在约 70 亿训练步后，二值奖励（binary reward）下成功率达 94%，最后 20 亿步内从 79% 跃升至 94%。

配图对比三种奖励设置（各 3 个随机种子）：dense reward（98%）、sparse reward + reset bank + SGS（98%）、binary reward + reset bank + SGS（94%）。作者指出即使只用成败二值的奖励信号，配合 reset bank 与 SGS 也能把复杂机器人任务学到接近上限，并表示"为机器人训练 RL 策略的配方看起来已经清晰了"，随附长文论证 RL 可解硬核机器人任务。