Teortaxes▶️ (DeepSeek 推特🐋铁粉 2023 – ∞)（@teortaxesTex）のスレッド

とても興味深いですね。 > 訓練では、タスクに関連したラベル付き報酬は与えられません。報酬推論（最適化）はテスト時に行われます。ユーザーはロボットの状態に応じて任意の報酬関数を入力することができ、方策は最適化されたスキルをゼロショットで出力します。