PrefO2O零样本偏好强化学习框架

2026年10月26日，arXiv Robotics 报道了 Ruiqi Wang 等作者提出的 PrefO2O 离线到在线潜在偏好迁移框架。该报道称，PrefO2O 能在无需任何人类反馈的情况下，对未见目标任务实现零样本偏好强化学习：它从少量源任务的离线偏好数据中学习任务无关的潜在偏好空间，并用置信度加权最优传输对齐生成伪偏好监督，以在线适配奖励。报道还称，在机器人操作与运动基准上，该方法表现超过现有偏好迁移基线，达到或超过使用真实人类反馈训练的 PbRL 方法，并可跨多对一、一对一迁移设置及不同机器人本体泛化。目前该事件仅有这一篇主报道，尚无跟进报道，也未出现数字、时间或说法上的前后矛盾。

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。