Waypoint-OPD 策略偏移蒸馏方法发布

论文作者提出并发布 Waypoint-OPD（Waypoint 引导的同策略蒸馏）方法，用于迁移强化学习引发的策略偏移。该方法利用同一次 RL 训练中的中间教师 checkpoint，在学生访问的前缀上比较早期与晚期相对动作偏好的偏移方向，据此对端点偏移进行门控：当方向相反时予以抑制。 据作者介绍，这一门控机制针对的是 RL 训练中策略偏移方向不一致的情形，目前仅见于论文发布，尚无独立验证或应用效果数据。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。