arXiv cs.AI· Catherine Ji, Vivek Myers, Joshua Lin, Alexandra Wingate, Sergey Levine, Benjamin Eysenbach·· 6 天前AI 评分31
Scaling Empowered Agents：从技能学习到赋权最大化的可扩展方法
Scaling Empowered Agents
AI 导读
研究者提出一种可扩展的赋权最大化方法，将赋权定义为某状态下可执行技能的数量，最大化赋权即抵达适合多种技能的起始状态，该方法适用于任意底层技能学习算法。实验显示赋权最大化涌现出资源采集、环境改造、生存等特性，并在 Crafter 中学会建造房屋。论文与代码已公开，共 30 页、13 张图。
正文 · AI 翻译
摘要：赋权衡量智能体主动控制其环境的能力。在这项工作中，我们解释了技能学习与赋权之间的联系。虽然技能学习并非赋权，但我们引入了一个简单且可扩展的赋权最大化方法：赋权对应于从一个状态可执行的技能数量，因此最大化赋权对应于到达许多技能的良好起点状态。我们的方法适用于任意底层技能学习方法。以往关于赋权的大多数工作都着眼于表格型设置，而我们的方法使我们能够在可实现理论上预测但在经验上难以捉摸的赋权特性的规模上研究赋权（例如，收集资源、修改环境、生存）。实验表明，赋权最大化解锁了有趣的新兴特性，例如在 Crafter 中建造房屋。网站和代码见 \href{this https URL}{this https url}。
| 评论： | 30 页，13 幅图 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.13002 [cs.AI] |
| （或 arXiv:2610.13002v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13002 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Catherine Ji [查看电子邮件]
[v1]
2026 年 10 月 9 日星期五 05:04:30 UTC（5,635 KB）
来源：arXiv cs.AI · arxiv.org