论文提出解释性世界模型解决强化学习长期信用分配

发生了什么

据arXiv cs.LG论文《Beyond Temporal Proximity: Explanatory World Models for Credit Assignment in Reinforcement Learning》介绍，生成式推荐器常使用强化学习优化长期结果，但标准RL按时间邻近性传播奖励，导致样本效率低下。研究引入了解释性世界模型（EWM），利用语言模型的Explanation作为学习信号，递归重新分配奖励。在Crafter、WordCraft、KuaiRand及行业生成式推荐器基准测试中，EWM显著优于PPO、LaRe、SFT和A2C。