研究人员开发了Doctor，一个结合了序列建模和强化验证的新型框架，用于可控的离线决策。该方法解决了目标回报信号的不可靠性问题，尤其是在数据代表性不足的区域。Doctor采用了一个在重建和价值学习目标上进行训练的掩码轨迹Transformer。在推理时，它会生成多个候选动作，并选择具有最接近请求目标的已验证价值的动作，从而提高了可控性并在标准基准测试中保持竞争力。 AI
影响 这项研究可能在需要基于目标回报进行精确决策的领域带来更可靠、更可控的AI系统。
排序理由 这是一篇详细介绍新决策框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
