來自 Teortaxes▶️ (DeepSeek 推特🐋铁粉 2023 – ∞)（@teortaxesTex）的推文串

很有意思。 我們在訓練過程中沒有任何標記的（與任務相關的）獎勵。獎勵推斷（優化）在測試階段進行。使用者可以提示輸入任何類型的與機器人狀態相關的獎勵函數，策略零樣本輸出最佳化後的技能。