概念Decision-Supervised RL
决策监督强化学习
一种强化学习范式，不仅奖励最终结果，还对中间每一步的决策施加直接监督信号，缓解稀疏奖励问题，常用于需要多步决策的序贯任务。
时间轴 (近 90 天)
10月27日
SEMA-Auto 采用两阶段训练：第一阶段为合成引导微调，第二阶段为决策监督强化学习。
待验证50%
10月27日
决策监督强化学习同时但分离地优化两个目标：用越狱奖励强化攻击行为，并对每一轮的决策施加绝对目标监督。
待验证50%
一种强化学习范式，不仅奖励最终结果，还对中间每一步的决策施加直接监督信号，缓解稀疏奖励问题，常用于需要多步决策的序贯任务。
SEMA-Auto 采用两阶段训练：第一阶段为合成引导微调，第二阶段为决策监督强化学习。
决策监督强化学习同时但分离地优化两个目标：用越狱奖励强化攻击行为，并对每一轮的决策施加绝对目标监督。