#强化学习
共 167 篇相关文章
强化学习可视化：AI如何通过奖励与试错学习
基于Reddit热门可视化讲解，用迷宫机器人案例拆解强化学习核心概念：智能体与环境、试错回合、探索与利用、延迟奖励与策略，以及奖励黑客风险。适合初学者建立直觉的入门指南。
双强化学习智能体协同“筷子夹火箭”：Mechazilla 捕获超重型助推器实战
开发者用 PPO 在 JAX 上训练两个强化学习智能体，分别控制超重型助推器和 Mechazilla 塔臂，实现协同捕获。文章详解分阶段训练策略、rollout 长度与学习率调参经验，以及多智能体稀疏奖励问题的实战解法。
分位数分布式强化学习逼近极小极大速率：理论突破与统计精度分析
本文深入解读分位数分布式强化学习的最新理论研究，分析分位数贝尔曼不动点的统计精度、Wasserstein距离下的非渐近误差界及局部渐近极小极大风险，揭示分辨率与收敛速率的关系。
AtomicRL：原子强化学习破解长程机器人操作难题
AtomicRL提出原子强化学习框架，通过语义感知策略优化(SAPO)和瓶颈自适应目标探索(BATE)解决VLA长程机器人操作中的信用分配与子任务不平衡问题，在LIBERO-LONG和CALVIN基准上超越PPO，真实任务性能提升21.3%。
ehr2rl：将MIMIC-IV电子病历转为离线强化学习数据集的Python库
ehr2rl是一个Python库，可将MIMIC-IV电子病历数据转换为离线强化学习数据集，支持小时级轨迹构建、动作离散化、可替换奖励函数，并直接导出为d3rlpy格式。
Cubic Doggo升级：用水平推力训练四足机器人
Cubic Doggo四足机器人训练更新：引入水平推力随机化和课程学习，提升抗干扰能力。作者分享调试经验、日志系统改进及ONNX部署细节，代码已开源。
指针网络跨尺度泛化难题：从比较到选择的新解法
指针网络在无人机配送路径规划中面临跨尺度泛化难题。最新研究剖析节点密度偏移、注意力弥散与图上下文稀释三大成因，提出熵注意力缩放与可学习聚合机制，并用方法选择器在九个规模组合上实现最高3.2%的成本改进。
AdaDex：混合模仿框架破解灵巧手技能泛化难题
AdaDex 提出混合灵巧模仿框架，用单一策略在运动跟踪与泛化两类并行环境中联合训练，仅需数秒人类轨迹即可习得功能性抓取、手内重定向、抛接等可泛化灵巧技能，并完成真机迁移。
强化学习让AI自主编写检索程序，4B模型超越8B基线
RPL框架让AI通过强化学习将检索原语组合成可执行程序，结合程序变异机制解决稀疏反馈难题。4B模型在多跳问答上超越8B基线，同时降低上下文消耗和检索轮次。
强化学习让猎鹰9号精准着陆无人船：6700万次模拟训练
RL智能体在纯模拟环境中学习猎鹰9号火箭无人船着陆，采用PPO算法，8万参数策略，67个随机参数，5900万次训练飞行，成功率22.4%。
APSD：按正确性不对称蒸馏，2.6倍训练加速LLM后训练
APSD提出正确性依赖的非对称自蒸馏目标：正确rollout用插值保留成功行为，错误rollout用外推强化纠正，在Qwen3模型上以2.6倍更少训练步数达到SDPO性能。
让语音大模型学会呼吸：非语言发声建模新进展
最新研究覆盖13类非语言发声（NVVs），通过自动化合成对话数据集、多阶段微调和NVV感知GRPO，显著提升VocalNet与VITA-Qinyu在共情交互和角色扮演中的自然表现力，探讨语音大模型副语言建模的架构必要性。
ClueFlow：用归因状态转移破解长程搜索难题
ClueFlow提出基于归因研究状态转移的长程搜索训练方法，通过Source-State-Final归因链实现精准监督与信用分配，在BrowseComp上达60%准确率，SFT仅用30% token匹配全量监督效果。
LLM智能体多轮强化学习新突破：状态空间探索框架
LLM智能体多轮强化学习面临无效动作与循环困境。本文介绍一种条件状态空间探索框架，通过惩罚重复观测的内在奖励，减少冗余行为并鼓励状态覆盖，显著改善策略学习。
Agima：让AI智能体先「想象」再行动
Agima 是一个训练 AI 智能体「先想象再行动」的框架，用单一全能模型生成动作未来画面并推理决策。在 Sokoban 四箱任务中解出率 40%，远超动作规划器的 2%。
视觉可归因自蒸馏：多模态RL新范式VAG
多模态强化学习新研究提出视觉可归因在线策略自蒸馏框架，用视觉归因门控（VAG）过滤特权纠正污染，在六个视觉推理基准上超越GRPO与OPSD，刷新平均性能最优。
CoopUQ：不确定性感知的多机器人协同导航
CoopUQ 提出不确定性感知的多机器人协同占用预测框架，通过跨机器人时空特征融合与约束强化学习，在遮挡和OOD场景下提升社交导航的安全性与鲁棒性。
强化学习环境本质之争：PDF也能当RL环境？
从Twitter热梗出发，解析“每个RL环境都是PDF环境”背后的强化学习环境设计哲学，探讨文档作为RL环境的可行性、边界与工程启示。
