很久沒有更新的博客文章！在這個系列中，我將談論如何解決長期任務的強化學習，從最簡單的方法逐步開始。（鏈接在回覆中！） 在這個系列的第一部分，我們將強化學習應用於立方體，以最直接、最原始的形式，並將失敗本身武器化。這篇博客的目標是觀察強化學習的陷阱以慢動作發射，看看獎勵稀疏如何變成政策崩潰的噩夢，為什麼探索在長期空間中會窒息，以及當模型聽起來自信卻根本迷失時，幕後發生了什麼！ 特別感謝 @willccbb 和 @PrimeIntellect 的贊助 :) verifiers 是一個令人難以置信的工具，祝他們一切順利。