無獎勵強化學習

深度分析

「Rank‑Then‑Act」：利用視覺‑語言模型排序實現無獎勵強化學習新範式

本研究提出Rank‑Then‑Act(RTA)框架，利用視覺‑語言模型在洗牌影片上以群組相對政策優化學習進度排序，並以Spearman排序相關作為唯一獎勵，於離散與連續控制任務均達到或超越既有影片獎勵基線，顯示僅靠影片序列的序數訊號即可驅動政策學習。