强化学习新范式：不用TD的递推算法
深度2025年11月1日8 分钟阅读
传统强化学习依赖时序差分（TD）学习，但在长序列任务中误差累积严重。伯克利BAIR团队提出了一种基于“分而治之”的新算法——传递性强化学习（TRL），它通过递归分割轨迹来更新价值函数，在复杂任务上表现优异。
本文编译自 RL without TD learning，版权归原作者所有。
觉得有用？分享给更多人
相关文章
微软和 Hugging Face 联合发布 ThinkingBox-Training，将 ThinkingBox-Bench 中可执行检查返回的 0/1 结果作为奖励信号，用于训练其他任务上的 Agent。他们提出离线策略相对难度来选择训练任务，并用 GRPO 对 Qwen3.8-27B 进行微调。结果显示，模型在重复性任务上的成功率大幅提升，但至少成功一次的覆盖率略有下降。
深度Hugging Face·10月22日·8 分钟
OpenAI 正式向所有客户开放 Decisions API，该 API 基于 ChatGPT Luna 重新配置，专注于快速、低成本的决策任务。与 TypeSafe 的 Jev 模型相比，OpenAI 的模型在基准测试中排名靠后，但在多模态和全球延迟优化上有优势。早期客户如 Box、Datadog、Ramp 和 Speak 已用其替换 LLM 以提升吞吐量。
深度·10月22日·4 分钟