量子位 (微信公众号)T2·基座大模型
62 分
国防科大与清华团队提出 ICRPM,将近期“任务—风险”记录作为上下文,直接预测策略更新后的下一步风险,无需为风险预测额外生成 rollout 或增加环境交互。该方法在基本维持原有训练开销的前提下,改善了大模型 RLVR、Meta-RL 与鲁棒控制中的任务风险预测与采样选择,并给出与学习率相关的一阶滞后误差分析。
Meta-Reinforcement Learning
让智能体学会如何快速适应新任务的学习范式
国防科大与清华团队提出 ICRPM,将近期“任务—风险”记录作为上下文,直接预测策略更新后的下一步风险,无需为风险预测额外生成 rollout 或增加环境交互。该方法在基本维持原有训练开销的前提下,改善了大模型 RLVR、Meta-RL 与鲁棒控制中的任务风险预测与采样选择,并给出与学习率相关的一阶滞后误差分析。