很久没有更新博客了！在这个系列中，我将讨论如何解决长时间跨度任务的强化学习，逐步从最简单的方法开始。（链接在回复中！） 在这个系列的第一部分，我们将强化学习直接应用于立方体，以最直接、最原始的形式，并将失败本身武器化。这个博客的目标是观察强化学习的“脚枪”慢动作发射，看看奖励稀疏如何变成政策崩溃的噩梦，为什么探索在长时间跨度的空间中会窒息，以及当一个模型听起来很自信但实际上仍然迷失时，幕后发生了什么！ 特别感谢 @willccbb 和 @PrimeIntellect 的赞助 :) verifiers 是一个令人难以置信的工具，祝他们一切顺利。