具身世界模型提出智能体奖励框架与DynDiff-GRPO方法

Pu Li 等作者发表论文，提出 Reward as an Agent 智能体奖励框架与 DynDiff-GRPO 动态感知 rollout 多样化方法，用于具身世界模型的强化学习。据论文，前者主动评估生成行为以提供稳健奖励信号，缓解分布偏移下的 reward hacking；后者扩展动作空间探索以丰富轨迹与状态-动作覆盖。 论文称，两者结合在多个开源世界模型上显著提升准确率，表明在有可靠验证的基础上，广泛探索可以成功扩展。

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。