PoEM 新方法:用已有奖励的模型组合预测新奖励下的 RL 结果
giannis_daras · x · 2026-11-21
kimiahmdh 与 giannisdaras 发布论文 PoEM,核心问题:能否在不实际训练的情况下,预测强化学习在新奖励下会学出什么策略?
方法的关键是利用策略空间中的线性性:将 previously trained 于其他奖励的模型进行组合(composing),即可预测在新奖励上训练 RL 的结果,省去昂贵的实际训练。作者称这是利用策略空间线性性的研究。
「研究」频道最新
- Thinkymachines 推出 26B 循环模型 Inkling 2 Mini:笔记本可跑智能体任务 — ziqiao_ma · 2026-11-21
- 单块 TPU 跑多轮智能体 RL:Gemma 4 E2B 胜率从 9.4% 练到 95% — Saboo_Shubham_ · 2026-11-21
- JapanFold 药物发现平台开放:百万蛋白结构预测,单次折叠最低 $0.0022 — DavidBennett__ · 2026-11-21
- FineVision 数据集现大量劣质标注,长颈鹿被描述成浅蓝色 — giffmana · 2026-11-21
- Vishal Sikka 长文:Levent 借 Claude 证明黎曼假设震撼数学界 — vsikka · 2026-11-21
- NDIF 上线 Inkling 2 Mini 并发起 Looped Lens 可解释性挑战赛 — benno_krojer · 2026-11-21