提出Reward as an Agent与DynDiff-GRPO方法

2026年10月15日，arXiv Artificial Intelligence 刊出 Pu Li 等作者的论文，提出面向具身世界模型强化学习的两项方法。据该报道，针对具身世界模型强化学习中保守 rollout 限制探索的问题，作者提出 Reward as an Agent 智能体奖励框架，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；同时提出 DynDiff-GRPO 方法，用于动态感知探索。报道引述论文原文称：“On the verification side, we introduce Reward as an Agent, an agentic reward framework that actively evaluates generated behaviors to provide robust reward signals and mitigate reward hacking under distribution shifts.”目前该事件仅有这一篇报道，尚无后续跟进，方法的具体条件与适用范围未在报道中进一步说明。

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。