https://dqn.cn/papers/ 用中文解读强化学习领域的重要论文 zh-CN Sat, 31 Oct 2026 07:15:02 GMT https://dqn.cn/papers/2026-10-dreamerv3 https://dqn.cn/papers/2026-10-dreamerv3 Wed, 28 Oct 2026 00:00:00 GMT 解读 Hafner 等人的 DreamerV3 论文：RSSM 世界模型、在想象轨迹中训练的 Actor-Critic，以及 symlog、KL 平衡、回报百分位归一化等稳健化技巧，如何让一套固定超参数在 150 多个任务上工作并在 Minecraft 中收集钻石。 https://dqn.cn/papers/2026-10-deepseekmath-grpo https://dqn.cn/papers/2026-10-deepseekmath-grpo Mon, 26 Oct 2026 00:00:00 GMT 解读 DeepSeekMath 论文：1200 亿 token 数学语料的构建方法，用组内相对奖励代替价值网络的 GRPO（组相对策略优化）算法，以及论文对强化学习为何能提升数学推理能力的统一分析。 https://dqn.cn/papers/2026-10-dpo https://dqn.cn/papers/2026-10-dpo Thu, 22 Oct 2026 00:00:00 GMT 解读 Rafailov 等人 2023 年的 DPO 论文：从 KL 约束的奖励最大化推导出闭式最优策略，把 RLHF 的奖励建模与强化学习化简为一个偏好数据上的分类损失，以及 DPO 的实验结论、优点与局限。 https://dqn.cn/papers/2026-10-cql https://dqn.cn/papers/2026-10-cql Mon, 19 Oct 2026 00:00:00 GMT 解读 Kumar 等人 2020 年的 CQL（保守 Q 学习）论文：为什么离线强化学习会因分布外动作而高估价值，CQL 如何通过正则项压低分布外动作的 Q 值、学到真实价值的下界，以及在 D4RL 上的实验结果。 https://dqn.cn/papers/2026-10-decision-transformer https://dqn.cn/papers/2026-10-decision-transformer Thu, 15 Oct 2026 00:00:00 GMT 解读 Chen 等人 2021 年的 Decision Transformer 论文：把离线强化学习转化为以期望回报为条件的序列建模问题，用自回归 Transformer 和监督学习生成动作，在 Atari、D4RL 上与 CQL 等方法的对比及其局限。 https://dqn.cn/papers/2026-10-sac https://dqn.cn/papers/2026-10-sac Mon, 12 Oct 2026 00:00:00 GMT 解读 Haarnoja 等人 2018 年的 Soft Actor-Critic 论文及其后续版本：最大熵强化学习目标、软策略迭代的收敛性、重参数化的策略更新与温度系数自动调节，以及 SAC 在连续控制基准上的样本效率与稳定性。 https://dqn.cn/papers/2026-10-ppo https://dqn.cn/papers/2026-10-ppo Thu, 08 Oct 2026 00:00:00 GMT 解读 Schulman 等人 2017 年的 PPO 论文《Proximal Policy Optimization Algorithms》：裁剪代理目标与自适应 KL 惩罚、多轮小批量更新、在 MuJoCo 与 Atari 上与 TRPO、A2C、ACER 的对比，以及 PPO 为何如此流行。 https://dqn.cn/papers/2026-10-dqn-nature https://dqn.cn/papers/2026-10-dqn-nature Mon, 05 Oct 2026 00:00:00 GMT 解读 Mnih 等人 2015 年发表于 Nature 的经典 DQN 论文《Human-level control through deep reinforcement learning》：经验回放与目标网络如何稳定深度 Q 学习，在 49 款 Atari 游戏上的结果，以及局限与后续影响。