#强化学习
共 167 篇相关文章
为何强化学习让我感到恐惧：RL的安全隐忧与改进方向
强化学习（RL）在推动AI能力的同时，也带来了自主性黑箱、不良行为及未来反社会风险。本文基于LessWrong文章，分析RL的潜在危害，并提出减少RL、改进环境、对齐激励等应对策略。
下一token预测+强化学习能通向通用智能吗？
下一token预测加强化学习能否产生通用人工智能？本文梳理Reddit讨论与计算学习理论，解析NTP+RL通向AGI的最强机制论证及其在目标生成、具身交互、持续学习三方面的缺口。
异步Q-Learning的命中时间界：样本复杂度新进展
一篇强化学习理论新研究为异步Q-Learning给出命中时间样本复杂度界：统计项保留H^4有效视界依赖，初始化成本以可加形式出现，并提出无需先验知识的步长选择规则，上下界匹配至对数因子。
强化学习赋能深空通信：目标导向的中继调度与流控框架
一篇最新研究提出用强化学习优化深空通信中继端的包调度与流量控制，通过超额年龄指标和带掩码的拉格朗日PPO算法，在DTNSim仿真中显著提升信息新鲜度与流间公平性，为月球、火星星际通信的智能资源管理提供新思路。
自动驾驶路径规划需引入"社会意识"，才能与人类司机共存
一项基于多智能体强化学习的研究提出，为自动驾驶车辆的路径规划引入"边际成本"社会组件，可在真实路网中同时降低人类司机和自动驾驶的通行时间，实现系统性能三赢，为自动驾驶与人类司机共存提供新思路。
BranchOPD：用分支采样让在线策略蒸馏更高效
BranchOPD 提出分支式在线策略蒸馏，利用学生不确定性与师生分歧定位关键决策点，通过共享前缀重采样扩大监督覆盖，在数学任务提升18.55个百分点、ALFWorld提升13.8点，同时降低近三成生成成本。
解释性世界模型EWM：用因果解释破解强化学习的延迟奖励难题
解释性世界模型EWM利用语言模型生成的因果解释来重新分配强化学习奖励，破解延迟奖励下的信用分配难题。在Crafter、WordCraft、KuaiRand及工业级生成式推荐系统上均显著超越PPO、LaRe等基线方法。
Unitree Go2 实战：Genesis 训练到真机部署的 Sim-to-Real 落地
一位开发者在 Unitree Go2 上成功完成 Sim-to-Real 部署：先用 Genesis 训练策略，再经 MuJoCo 验证后部署真机，实现抗推挤恢复与多方向速度跟踪。本文解析这条机器人强化学习落地路径及可复现经验。
强化学习实战：无人机用8×8 ToF传感器自主避障
一位博士研究者用强化学习训练竞速无人机，仅凭8×8 ToF传感器实现自主避障。本文解析其技术栈Stable Baselines3与PyBullet，以及稀疏感知与Sim-to-Real等核心挑战。
VICO框架：让视觉环境与视觉语言模型协同进化
VICO提出一种视觉环境与视觉语言模型协同进化的训练框架，通过EnvRewriter动态校准任务难度，在九个多模态基准上超越多项基线，并以16-160倍更少的标注样本达到专用方法水平，为VLM后训练提供可规模化新路径。
AI智能体会看时钟吗？时间预算下的守时与效率困境
arXiv论文《On the Clock》研究小型LLM智能体在明确时间预算下的表现，发现仅靠提示词无法让其守时，环境计时反馈与强化学习可改善守时性，但智能体仍无法高效利用多余时间——揭示时间遵守与高效分配之间的核心鸿沟。
用强化学习在UE5中训练AI钢铁侠：PPO算法救援13名乘客实验
一位开发者在虚幻引擎5中用PPO强化学习算法训练AI钢铁侠，让其学会飞行救援13名下坠乘客。本文解析该体素风格项目的技术思路、PPO选型逻辑与UE5仿真训练的价值与局限。
Seahaven：为 LLM 智能体打造 RL 训练环境的开源框架
Seahaven 是一个 MIT 开源、兼容 OpenEnv 的 Python 框架，用于为 LLM 智能体构建可复现的 RL 训练环境。支持带状态工具、毫秒级 reset、确定性回放与基于状态的可验证奖励，并提供高保真的 Stripe World 示例。
HydroSphere：面向自愈式污水处理的智能治理框架
arXiv新研究提出HydroSphere框架，融合TCN-LSTM预测、PPO强化学习投药优化与深度自编码器异常检测，用282万条水质数据验证，并通过分级治理与安全边界打造自愈式智能污水处理系统。
RLinf强化学习基础设施：社区讨论与价值分析
围绕Reddit社区对强化学习基础设施RLinf的讨论请求，分析RL基础设施的核心价值、评估维度与技术选型方法，为开发者提供参考框架。
风险敏感强化学习的样本复杂度：逼近最优的理论突破
一篇新 arXiv 论文给出递归熵风险强化学习的近最优样本复杂度分析，通过精细化分析 MB-RS-QVI 方法，匹配已知下界并消除此前上下界间的指数级差距，是风险敏感强化学习理论的重要突破。
对抗鲁棒的联邦Q学习：从不可靠轨迹中学习最优策略
arXiv最新研究提出Robust Async-Fed-Q算法，解决联邦强化学习中部分智能体恶意污染数据的问题。通过方差缩减估计与鲁棒聚合，在容忍对抗攻击的同时保留协作样本效率，并给出首个近似匹配的上下界理论保证。
强化学习优化神经算子PDE求解：在有限预算下学会何时精修
arXiv新论文提出RV-PI方法，用长程强化学习解决神经算子求解PDE时的预算分配难题。通过真实rollout验证决定何时何地精修，在浅水方程与Brusselator基准上分别提升5.37%和5.32%，证明局部修正的价值取决于其对自回归轨迹的下游影响。
