优势估计

引用本概念的论文(3)

• BV-Blend：基于不确定性加权历史基线的稳定无评论家可验证奖励强化学习 BV-Blend: Uncertainty-Weighted Historical Baselines for Stable Critic-Free RL with Verifiable Rewards arXiv 2606.28707
• 分支策略优化:沙箱原生语言智能体强化学习 Branching Policy Optimization: Sandbox-Native Language Agent Reinforcement Learning arXiv 2607.14171
• 通过自蒸馏增强基于评分标准的强化学习 Enhancing Rubric-based RL via Self-Distillation arXiv 2607.18082

共现相关概念

在引用本概念的论文中,与下列概念同时出现的次数(降序)。