UP: Tối ưu hóa bất đối xứng dương không giới hạn giúp giải quyết bài toán cân bằng giữa khám phá và ổn định trong RL

Tóm tắt AI

Phương pháp UP giải quyết điểm yếu của các thuật toán RL hiện nay bằng cách loại bỏ cơ chế cắt tỉa (clipping) cứng nhắc, cho phép mô hình khám phá các lộ trình suy luận đúng nhưng có độ tin cậy thấp mà không gây mất ổn định huấn luyện.