探索与利用 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 探索与利用 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 在策略蒸馏 2 ASTEROID：非对称在策略蒸馏学习上下文探索 10-22 TIDE：通过信息性蒸馏与探索实现智能体强化学习的师生过渡 09-30 多智能体协作风险 1 欺骗性老虎机：探索耦合与多智能体学习脆弱性 10-08 多智能体系统 1 ICMAPE：上下文多智能体纯探索框架 09-29 弱模型探索 1 弱模型引导提升 RLVR 推理探索能力 08-28 强化学习 2 Jev 能否充当强化学习中的 Q 函数或策略？ 10-09 AI Night-Scientist：强化学习提升智能体科研创意 09-30 探索锐化 1 自进化时代需要兼顾锐化与探索的新型强化学习 08-27 智能体训练 1 EnvSched：面向高效 Rollout 的环境感知智能体强化学习调度 10-29 模型训练 1 ActObs：观察监督改善智能体强化学习探索 09-18 测试扩展 1 真实开放任务中的测试时扩展：瓶颈在利用而非探索 08-20 测试时优化 1 序列测试时扩展中的探索与吸引子逃逸 10-01 环境正则化 1 ERPO：以环境正则化破解策略优化的稳定—探索困境 08-25 离策略强化学习 1 WarpSAC：面向不同数据规模的可扩展离策略强化学习 08-28 程序进化 1 PRS：面向自动启发式设计的多方向搜索 10-23 策略优化 4 MOER：专家前缀引导与选择性回滚的混合策略优化 10-24 ExpDis：解耦 RLVR 中的探索与优化 10-08 EAPO：面向 LLM 推理探索的熵引导信用分配 09-29 TailRL：面向高奖励尾部覆盖的强化学习 09-10 经验学习 1 TRACE：基于约束树探索的语言反馈学习 10-08 自动化科学研究 1 多智能体团队自主发现线性注意力架构 10-22 语义先验 1 Semantic Bandits：语义先验如何影响上下文探索与利用 08-18 贝叶斯优化 1 FGSS-BO：面向 LLM 贝叶斯优化的反馈引导假设管理 10-18 递归自我改进 1 Dream-RSI：通过演化世界实现递归自我改进 09-16 采样控制 2 Guided-RLVR：以引导式探索提升可验证奖励强化学习 10-29 GRPODropout：筛除部分 Rollout 改善在线强化学习 10-09
