利用学习奖励实现大型行为模型一致性离策略改进

研究提出结合逆强化学习的一致性模仿学习，改进基于行为克隆的大模型。 在6个稀疏操作任务中，该方法使 pi-0.5 维持或提升性能，其中5个任务成功率达90%以上。 机器人真实测试中，pi-0.5 仅需30分钟以内交互即可微调成功。