这篇 11 月 5 日提交的论文把世界模型放在训练里当偏好裁判,按预测后果给候选动作打分,引导策略选出更优动作。部署时世界模型被拿掉,策略只做一次前向传播,兼顾训练效果与部署效率。这种训练时用、部署时拿掉的做法,让策略在推理时保持轻量。
正文完
这篇 11 月 5 日提交的论文把世界模型放在训练里当偏好裁判,按预测后果给候选动作打分,引导策略选出更优动作。部署时世界模型被拿掉,策略只做一次前向传播,兼顾训练效果与部署效率。这种训练时用、部署时拿掉的做法,让策略在推理时保持轻量。