摘要： 简介 本质上强化学习也是为了预测下一个action，那能否借用大模型的方法来实现next-action 的预测。业界有多篇借用大模型的方法（transfomer） 来实现这个目的。 伯克利的这篇算是最为彻底和简洁。https://sites.google.com/berkeley.edu/decis 阅读全文

摘要： 从样本利用效率，看强化学习的分类 on- policy：每次更新策略需要在重新收集数据，更新数据来自于当前策略，行为策略和目标策略是同一个策略 off-policy：行为策略和目标策略不是同一个策略，更新数据可以来自于更早之前的策略 batch rl，Offline Reinforcement Le 阅读全文