[控场AI]

#强化学习

共 248 篇相关文章

OPO:用排序替代固定裁剪的PPO改进方案
·4 分钟

OPO:用排序替代固定裁剪的PPO改进方案

OPO(Ordered Policy Optimization)重新审视PPO的固定裁剪机制,通过排序重要性比值并分配自适应逐样本裁剪半径来控制极端比值,在MuJoCo和Atari基准上表现强劲,且实现改动轻量。

阅读全文 →
熵非等同:RLVR中奖励条件熵分配新框架
·4 分钟

熵非等同:RLVR中奖励条件熵分配新框架

RLVR训练中全局熵与推理性能关系不稳定?论文提出奖励条件熵分配RCEA框架,拆解轨迹熵与token熵,发现失败轨迹熵更高、正确解模式普遍收缩,指出熵坍塌应看移除了哪种不确定性。

阅读全文 →
MacBook自训练PPO:隐藏信息卡牌游戏Cabo的浏览器实战
·4 分钟

MacBook自训练PPO:隐藏信息卡牌游戏Cabo的浏览器实战

Reddit开发者分享用Self-play PPO在MacBook上训练隐藏信息卡牌游戏Cabo的AI,并实现浏览器内直接游玩。文章解析其强化学习思路、工程取舍与对AI应用开发的启示。

阅读全文 →
强化学习从零入门:除了Sutton教材,这些博客资源能加速你的学习
·1 分钟

强化学习从零入门:除了Sutton教材,这些博客资源能加速你的学习

针对已有数学和ML基础的RL学习者,本文分析博客资源在强化学习入门中的优势,讨论如何筛选高质量RL博客,并给出博客、教材与视频课结合的高效学习策略。

阅读全文 →
MAEM:用强化学习规模化解读残差流方向
·5 分钟

MAEM:用强化学习规模化解读残差流方向

MAEM 元模型通过无标签强化学习将残差流方向映射为强激活文本示例,在 Qwen3.6-27B 上超越语料搜索与 NLA,可激活 89% 留出 SAE 特征,并能恢复 LoRA 后门载荷。

阅读全文 →
永久与瞬态表示:破解持续强化学习稳定性与可塑性难题
·4 分钟

永久与瞬态表示:破解持续强化学习稳定性与可塑性难题

持续强化学习常面临稳定性与可塑性的矛盾。一项新研究提出用参数化永久价值函数和非参数化瞬态价值函数互补,在图像任务和Craftax-Classic上实现更优在线学习,为缓解灾难性遗忘提供新思路。

阅读全文 →
MuJoCo并行训练:单世界多机器人 vs 独立环境
·5 分钟

MuJoCo并行训练:单世界多机器人 vs 独立环境

探讨MuJoCo强化学习中单世界多机器人与独立环境并行的区别,分析各自优势及迁移到GPU后的最佳实践,帮助开发者选择正确的并行训练范式。

阅读全文 →
强化学习解锁通用机器人策略的多任务自我进化
·4 分钟

强化学习解锁通用机器人策略的多任务自我进化

最新研究显示,强化学习能让通用机器人策略在部署中实现多任务自我改进,价值型RL与训练任务分布是关键,甚至能泛化到未训练任务。

阅读全文 →
利用统计杠杆分数实现多样性经验回放
·4 分钟

利用统计杠杆分数实现多样性经验回放

本文介绍一种基于统计杠杆分数的多样性感知经验回放方法,通过混合采样和尾部特征选择,提升稀有任务成功率,在机械臂避障任务中从0.49提升至0.69。

阅读全文 →
JHiMA-WebRL:分层多智能体RL突破长程Web任务
·4 分钟

JHiMA-WebRL:分层多智能体RL突破长程Web任务

JHiMA-WebRL提出分层多智能体强化学习框架,将任务分解器与执行器联合训练,7B+7B组合在WebArena-Lite-v2上取得37.2%成功率,优于32B单体模型,为长程Web任务提供新思路。

阅读全文 →
MDSKILL:多视图蒸馏让智能体技能记忆真正内化
·5 分钟

MDSKILL:多视图蒸馏让智能体技能记忆真正内化

MDSKILL论文提出多视图蒸馏方法,将技能记忆拆分为状态感知、动作规划与执行控制三个视图,通过动态指标筛选高质量技能并利用OPSD内化到共享策略,在ALFWorld和WebShop上分别提升SOTA性能最高7.1%和8.1%,为自进化智能体提供高效技能内化方案。

阅读全文 →
Harness-S:利用兄弟执行框架实现智能体通用训练
·5 分钟

Harness-S:利用兄弟执行框架实现智能体通用训练

Harness-S 提出利用兄弟框架的局部性、互补性和非平稳性,通过方向性演化、互补救援训练和自适应路由,将框架能力迁移到单一策略,在 AppWorld 等基准上显著优于策略单独训练。

阅读全文 →
ReSI-Math:挖掘模型可恢复能力前沿,高效提升推理
·3 分钟

ReSI-Math:挖掘模型可恢复能力前沿,高效提升推理

ReSI-Math 框架揭示模型失败不等于无能力,通过自评判引导的进化搜索挖掘可恢复能力前沿,将失败案例转化为高效 RLVR 监督,在 Qwen3-VL-8B 上显著提升数学推理成绩。

阅读全文 →
密度感知奖励缩放:让强化学习采样更均衡
·3 分钟

密度感知奖励缩放:让强化学习采样更均衡

DARS(密度感知奖励缩放)通过估计结果局部密度并反向缩放奖励,在不修改策略梯度目标的情况下促进奖励比例采样,提升强化学习多样性。实验显示其能避免模式坍塌并改善文本到图像生成的多样性。

阅读全文 →
Metis-Core 新作:4架AI无人机协同搜救模拟
·3 分钟

Metis-Core 新作:4架AI无人机协同搜救模拟

Metis-Core v0.4.2-Alpha 发布,附带 SARSwarm 示例:4 架 AI 无人机通过无线电协调搜索海难幸存者,模拟通信中断和动态环境,展示多智能体强化学习在搜救任务中的应用。

阅读全文 →
Unity 6纯神经网络无人机蜂群:告别NavMesh
·6 分钟

Unity 6纯神经网络无人机蜂群:告别NavMesh

Reddit开发者用连续PPO在Unity 6训练四无人机自主战斗蜂群,Sentis推理延迟低于0.1ms,38射线空间感知实现无重训避障,彻底抛弃NavMesh与预烘焙路径,分层战术协调器管理编队角色。

阅读全文 →
世界模型的动作几何保真度:LeWM局部敏感度研究
·4 分钟

世界模型的动作几何保真度:LeWM局部敏感度研究

NeurIPS 2026 Workshop研究对比LeWorldModel动作-雅可比Gram矩阵与模拟器反事实,发现最小扰动下主导动作方向偏差约36°至42°,扰动放大十倍后几何差异显著缩小,并讨论CEM采样协方差是否需显式建模局部动作几何。

阅读全文 →
从PID到强化学习:HVAC控制架构综述
·4 分钟

从PID到强化学习:HVAC控制架构综述

一篇HVAC控制架构综述提出RL与PID交汇的四类架构分类,指出物理回路保持不变而介入点变化,并分析各架构在执行权限、状态信息、建模与调试上的部署权衡。

阅读全文 →