Hugging Face Daily Papers·· 2 天前精选AI 评分58
HarnessRL：面向开放式强化学习的即时训练框架与策略共同演化
HarnessRL: Co-Evolving Policies with a Just-in-Time Training Harness for Open-Ended RL
AI 导读
HarnessRL 提出一种训练时框架，通过自适应任务采样、rollout 引导和评分标准更新与策略共同演化，以应对开放式强化学习中的奖励失效问题。作者将失效归为两类：非判别性奖励导致分数塌缩到一致的低值或高值，虚假奖励则使更高分数并不对应更好回答。
推荐理由
论文指出开放式 RL 中奖励失效的两种模式，并给出与策略共同演化的训练框架，附开源代码与数据。
来源：Hugging Face Daily Papers · huggingface.co