Skip to content
Hot eventLive

CBPO：统一离线演示与在线/离线采样的策略优化方法

1 reports1 sources3 hr ago updated

Get the story

AI overview

2026年10月12日，arXiv Machine Learning Theory 发布一手论文，提出 Cross-Behavior Policy Optimization（CBPO）。该方法用固定参考目标的单一回归损失，统一离线演示与在策/离策 rollout 学习，无需存储行为策略概率、重要性加权或学习 critic。目前公开信息仅此一篇报道，尚无后续验证或应用进展。

Generated from reports · updated 3 hr ago

LatestOct 12
arXiv 发布 CBPO 论文，以单一回归损失统一离线演示与在策/离策 rollout。

Timeline

Follow the coverage from different angles.

Oct 12, 2026
  1. arXiv · Machine Learning Theory
    Cross-Behavior Policy Optimization：用共享回归目标统一离线演示与在策/离策 rollout 学习

    论文提出 Cross-Behavior Policy Optimization（CBPO），用固定参考目标的单一回归损失统一离线演示与在策/离策 rollout，无需存储行为策略概率、重要性加权或学习 critic。

Heat trend

There is not enough continuous observation data to draw a trend yet.