跳到正文
AGI Hunt· TZahavy·· 1 小时前AI 评分42

RePPO:训练 PPO 策略种群,让每个 RL 智能体探索不同解法

RePPO:训练 PPO 策略种群,让每个 RL 智能体走出自己的解法

AI 导读

研究者发布 RePPO,通过在任务奖励中加入行为空间「排斥项」训练 PPO 策略种群,使各策略探索同一任务的不同高回报解法。该方法覆盖机器人运动控制与 LLM 微调,部分策略表现超过标准 PPO。

来源:AGI Hunt · agihunt.info