热点事件持续更新
论文提出按单位时间奖励优化的RPG方法
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年10月14日，AGI Hunt 报道，有论文提出 Reward-Rate Policy Gradient（RPG）。报道称，该方法的动机在于：自动科研与 MLE（机器学习工程）类 agent 的单个动作耗时差异极大，可能只需几秒，也可能要跑几小时，而传统固定步长的 MDP 无法刻画这种时间成本差异。为此，RPG 在 semi-MDP 框架下改为优化单位时间内的奖励，而非固定步数下的回报，使 agent RL 显式地在「更快完成」与「更高奖励」之间做权衡。报道认为，该方法适合长时间动作开销显著的 agent 训练场景。目前报道未披露实验结果、基准对比或其他团队的评价。
AI 根据报道生成 · 2 小时前更新
最新进展10月14日 23:19
新论文提出 RPG，在 semi-MDP 下改为优化单位时间奖励，显式权衡速度与回报。报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- AGI HuntReward-Rate Policy Gradient：让 agent RL 学会为执行时间买单
新论文提出 Reward-Rate Policy Gradient（RPG），在 semi-MDP 框架下改为优化单位时间内的奖励而非固定步数回报，让 agent RL 显式权衡「更快完成」与「更高奖励」。动机是自动科研与 MLE 类 agent 的单个动作可能耗时几秒、也可能跑几小时，固定步长 MDP 无法刻画这种时间成本差异。该方法适合长时间动作开销显著的 agent 训练场景。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。