CORMA：约束路由决策Mamba用于离线安全强化学习

Changxu Ni 等作者提交论文，提出 CORMA——一种用于可泛化多约束离线安全强化学习的约束路由决策 Mamba 框架。该框架把策略推理拆成两部分：约束感知的 RTG 估计与自适应动作生成；它用约束专属专家建模可行 RTG 分布，再通过路由引导的专家乘积机制为 Mamba 动作解码器提供安全感知引导。 作者称，在 OSRL 基准上，CORMA 取得了更优的奖励-安全权衡，相比 DT 类方法推理延迟降低 37%，对未见安全预算组合的零样本泛化更强。上述效果均为论文报告结果。

AI 根据报道生成 · 42 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。