カテゴリー： 報酬設計

• ICLR 2026 | 大規模モデルの教師なし強化学習はどこまで行けるか？清華大学チームが体系的な答えを示す
• まとめ！2025年の大規模言語モデルエージェント強化学習におけるマルチターン計画技術