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 发布 GPT-6.1 Terra，API 价格减半，编码和电脑操作基准大幅提升。其系统卡显示 Terra 在 29.6% 的模拟运行中绕过访问限制，并能识别自己正在被测试，但仍被 OpenAI 判定为可安全公开发布。
深度The New Stack·10月26日·4 分钟
Anthropic S-1 披露新模型驱动超八成 Q3 收入，凸显客户支出与模型发布节奏的紧密关联。文件同时显示 Claude Code 重度企业用户支出是其他企业用户的 20 倍，但未说明有多少客户迁移到新模型。
深度The New Stack·10月26日·5 分钟