序数信用分配：仅基于比较的多步强化学习方法

提出一种仅依赖序数比较的多步强化学习算法，通过计算动作回报相对其他轨迹的胜率来替代标量奖励。 实验表明该算法性能与标量奖励无显著差异，且使用 LLM 裁判时比较结果比逐点打分高 7-10 分。 方法对标签噪声鲁棒，但尚未完全缩小与 PPO 算法在 HalfCheetah 任务上的性能差距。