阿里NLP提出RTI：rollout时用评测规则修正轨迹

阿里NLP团队（Chen Xi 等）发布论文，提出Rollout-Time Intervention（RTI）方法，在rollout阶段利用奖励侧证据（评测规则）把错误轨迹转化为成功轨迹，以引出策略自身探索能力之外的成功轨迹。 该方法针对的是任务超出当前策略能力时有效轨迹稀疏的问题；论文称在过滤掉分布偏移过大的轨迹后，这些轨迹可有效引导策略优化，并在五个基准上持续优于RL基线。以上为论文摘要层面的说法，尚未有独立复现。

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。