研究者提出CBPO统一离线与在线策略学习

研究者提出跨行为策略优化（CBPO），试图用同一个回归损失统一离线示范、参考回答以及当前和历史 rollout 的学习。作者称，该方法通过固定参考目标让这些来源兼容，无需存储行为策略概率、重要性加权或学习 critic。 该工作以 arXiv cs.LG 论文形式发布，作者为 Du Cheng 等。上述效果为作者在论文中的表述，尚待独立验证。

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。