arXiv · AI· Chenghao Gao, Zhi Zhang, Dian Jin, Yihe Pan, Doudou Zhou·· 10 天前AI 评分36
WM-PPO: 结合世界模型与价值评估的智能体行动学习方法
Learning to Act with World Models by Valuing What Comes Next
AI 导读
WM-PPO方法通过让世界模型预测下一观察并由批评者评估,将世界模型与PPO结合,仅策略网络在推理时使用。在ALFWorld上将成功率从PPO的63.5%提升至87.5%,在ScienceWorld上从39.3%提升至52.9%。训练后的策略更频繁地先完成前置步骤再执行关键动作。
来源:arXiv · AI · arxiv.org