ЛК-ГРПО: Преодоление разрыва между посадкой и поездом для ГИП с поправкой на Лангевин

arXiv:2608.056000v2 Annualce Type: заменить кросс-бюллетеню: Производимые на основе потока динамические модели обычно отбираются путем решения детерминистического обычного дифференциального уравнения (ОДЕ), в то время как для укрепления обучения (RL) требуется стахастическое скачкообразное переращение для разведки и оптимизации. Таким образом, существующие онлайновые методы RL для моделей потоков заменяют ОСД на уравнение стохастического дифференциального соотношения (SDE) в ходе подготовки. Несмотря на то, что в течение непрерывного периода времени УОР и СЭД имеют одинаковое маргинальное распределение, они могут вести себя по-разному после конечных этапов дискретизации. В частности, по мере увеличения шума от исследований часто возникают размытые тенденции к внедрению СЭЗ, что создает несоответствие между результатами обучения и пробами ОВД с запоздалым временем. Мы представляем LC-GRPO, основанная на потоке система GPSO с коррекцией Лэнгевина. Каждый переход к использованию системы делает шаг, предполагающий возможность использования системы ODE Eleaser, за которым следует стохастическая корректировка Langevin, направленная на маргинальный отрезок в последующее время. Требуемый балл взыскивается непосредственно