機器之心● 精選AI 評分67
港大與清華提出 VAST，讓離線 RL 自適應選擇價值跨度
香港大學與清華大學 AIR 團隊提出離線強化學習框架 VAST，讓智慧體自適應選擇價值更新的時間跨度與未來子目標，不再依賴固定步長的 n-step TD 或動作分塊。VAST 用輔助價值函式 G-function 估計從當前狀態經 k 步到某未來狀態的期望折扣回報，由拼接策略聯合挑選子目標與跨度；執行策略只依據狀態與子目標生成動作，推理時用 Q 函式拒絕取樣。
搜尋
找到 2 筆；也可以試試 語意搜尋
Hacker News front pageAI 評分38
Drop7 最優策略搜尋重啟：自動策略均分約 30 萬至 40 萬分
作者時隔十六年重啟益智遊戲 Drop7 的最優落子策略研究，目前最好的自動化策略每局平均約 30 萬至 40 萬分，仍低於人類高手可達的百萬分。該遊戲每回合只有七個可選落點，但含隨機性與隱藏資訊，需要搜尋與長程規劃。專案開源了基準倉庫 drop7-bench，並開設全球排行榜徵集人類策略，同時被作者當作“用 agent 做研究協作與證據收集”的實驗。作者希望獲得博弈論、隨機規劃、學習價值函式與重尾評估方面的反饋。