高表达策略冻结先验优化无数据保留强化学习微调

2026年10月28日，Sami Nur Islam等人在arXiv发表最新研究，提出在离线到在线强化学习过程中，停止在线行为克隆并冻结预训练行为模型。该策略旨在优化无保留数据场景下的微调性能。 在IFQL、FQL和QC三种方法于7个OGBench领域的测试中，该策略通过打破行为反馈循环，有效避免了表征坍缩和动作多样性损失。研究证实，保留高表达先验能确保价值学习驱动持续改进，显著提升模型表现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。