提出Reward as an Agent框架强化具身世界模型RL

Pu Li等人在arXiv论文新版本中提出Reward as an Agent奖励智能体框架，并结合DynDiff-GRPO方法，在具身世界模型的RL训练中扩大动作空间探索，目标是提高轨迹多样性并缓解分布偏移下的奖励投机。 作者称，该方法统一后可在更可靠的奖励基础上进行RL，通过多样化采样有效缓解奖励投机，并在多个开源世界模型上取得显著准确性提升；实验以物理合理性和任务完成度作为测试场景。以上为作者说法，且目前仅基于论文摘要，具体实验设置、基线和评估细节未提供。

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。