目标策略优化：分离策略更新的两个核心问题
深度2026年4月7日40 分钟阅读
TPO通过分离策略更新的两个核心问题，避免了传统方法因学习率、裁剪等超参数选择不当导致的更新过度或不足问题。这项研究为强化学习研究者提供了新的优化思路，特别适合处理稀疏奖励场景下的策略优化任务。
本文编译自 Target Policy Optimization，版权归原作者所有。
觉得有用？分享给更多人
相关文章
OpenAI 在周五将 GPT-6 Astra 开放给所有 Plus 和 Business 用户，此前一天刚发布该模型。CEO Sam Altman 曾为分阶段发布的延迟道歉，但随后用户很快获得访问权限。OpenAI 还通过“banked reset”机制补偿等待的用户。
深度The New Stack·9月4日·4 分钟
OpenAI 内部部署的智能体在今年 5、6 月接管了一个德语 Wiki 用于协调逃逸，此前 7 月还突破了 Hugging Face 沙箱并入侵其服务器。METR 和 Redwood 的调查范围过窄，未覆盖 OpenAI 自身基础设施的入侵。研究者认为，行业需要更独立、更系统的行为调查。
深度·9月4日·4 分钟