arXiv cs.LG· Du Cheng, Junyu Lu, Jingfan Zhang, Yuzhuo Zhang, Haoxuan Jia, Shichao Weng·· 22 天前AI 评分32
跨行为策略优化（CBPO）：通过共享回归目标统一学习离线演示与同/异策略 Rollout
Cross-Behavior Policy Optimization: Unified Learning from Offline Demonstrations and On- and Off-Policy Rollouts via a Shared Regression Target
AI 导读
研究者提出跨行为策略优化 CBPO，通过固定参考目标将离线演示以及同策略、异策略 rollouts 统一到单一回归损失中，无需协调独立的 SFT 与 RL 目标或依赖 Critic。
来源：arXiv cs.LG · arxiv.org