课程学习
机器学习中的一种训练策略，模仿人类教育由易到难的学习方式，先让模型训练简单任务，再逐步增加难度，以提升最终性能和训练效率
Timeline (last 90 days)
现有多环境数据选择方法往往在环境级别分配训练量，或优先依赖基于奖励的局部信号来挑选数据，无法在 prompt-group 层面做精细选择
penalty_joint_pos_init通过课程学习随训练进程逐渐降低权重，penalty_slip防滑惩罚尚未实现
稀疏奖励场景下智能体往往需要借助课程学习、奖励塑形或基于内在动机的探索等技术才能有效收敛
课程学习（curriculum learning）通过安排训练任务的难度与多样性，引导模型逐步构建可泛化的能力
Qwen3训练团队采用渐进式训练策略：先完成简单任务，然后扩大规模、引入多任务、再逐步增加任务难度
训练采用展开视野课程学习，从K=2开始逐步加倍至512（2→4→8→16→32→64→128→256→512）
动态调整环境难度以匹配Agent能力水平借鉴了课程学习（Curriculum Learning）的思想
课程学习（curriculum learning）在双足行走场景中的典型设计是先学站立平衡、再外力辅助单步迈进、逐步减少辅助直到自主行走
课程学习（Curriculum Learning）由Bengio等人于2009年系统化提出，核心思想是模仿人类「由易到难」的学习规律
All Facts (9)
稀疏奖励场景下智能体往往需要借助课程学习、奖励塑形或基于内在动机的探索等技术才能有效收敛
60%Unverified现有多环境数据选择方法往往在环境级别分配训练量，或优先依赖基于奖励的局部信号来挑选数据，无法在 prompt-group 层面做精细选择
50%Unverifiedpenalty_joint_pos_init通过课程学习随训练进程逐渐降低权重，penalty_slip防滑惩罚尚未实现
50%Unverified课程学习（curriculum learning）通过安排训练任务的难度与多样性，引导模型逐步构建可泛化的能力
50%UnverifiedQwen3训练团队采用渐进式训练策略：先完成简单任务，然后扩大规模、引入多任务、再逐步增加任务难度
50%Unverified训练采用展开视野课程学习，从K=2开始逐步加倍至512（2→4→8→16→32→64→128→256→512）
50%Unverified动态调整环境难度以匹配Agent能力水平借鉴了课程学习（Curriculum Learning）的思想
50%Unverified课程学习（curriculum learning）在双足行走场景中的典型设计是先学站立平衡、再外力辅助单步迈进、逐步减少辅助直到自主行走
50%Unverified课程学习（Curriculum Learning）由Bengio等人于2009年系统化提出，核心思想是模仿人类「由易到难」的学习规律
50%