Q-Target 预训练 Transformer 实现可证明的上下文强化学习
原文标题：From Weak Data to Strong Policy: Q-Targets Enable Provable In-Context Reinforcement Learning
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 Q-Target Pretrained Transformers（QTPT），保留上下文条件 Transformer 架构但以贝尔曼式 Q 目标替代行为克隆，使模型利用上下文中的奖励与转移估计动作价值而非模仿行为策略。理论分析表明其在随机线性老虎机与有限时域 MDP 中对数据质量的鲁棒性优于监督预训练，在随机或次优数据的 RL 基准及 D4RL Kitchen、AntMaze 上均有提升。
- 问题
- 上下文强化学习用监督行为预测预训练，数据次优时模仿本身成为有偏信号。
- 方法
- 保留上下文条件Transformer架构，用贝尔曼式Q目标替代行为克隆，让模型用上下文中的奖励与转移估计动作价值。
- 结果
- 理论证明在随机线性老虎机和有限时域MDP中对数据质量鲁棒性优于监督预训练；在随机/次优数据RL基准及D4RL Kitchen、AntMaze上有提升。
- 影响
- 离线数据质量差时不再只能模仿，为用低质轨迹训练策略提供更稳的预训练目标。
深读 · 结论先行AI 生成展开看要点与影响 ↓
QTPT用贝尔曼式Q目标替代行为克隆，在随机或次优数据上优于监督预训练，并扩展至D4RL Kitchen与AntMaze。
- •QTPT保留上下文条件Transformer架构，但以贝尔曼式Q目标替代行为克隆
- •模型利用上下文中的奖励与转移估计动作价值，而非模仿行为策略
- •理论分析在随机线性老虎机与有限时域MDP中显示，其对数据质量的鲁棒性强于监督预训练
- •在随机或次优数据的受控RL基准上优于监督行为预测，并考察了D4RL Kitchen与AntMaze扩展
- •补充实验评估骨干鲁棒性、meta-RL对比、任务连贯上下文与不支持动作的价值高估
为什么重要：离线数据质量差时模仿信号本身有偏，Q目标预训练为上下文RL提供了一条不依赖优质行为的路线。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。