该文综述基于后继表示（SR）的强化学习研究，涵盖探索奖励、隐式计数、Atari 最优性能、DSR 分解、λR 状态表示、t-SR 时间扩展、多任务迁移、风险规避、边际重要性抽样、分布式 RL 及 DHTM 在线隐藏表示等方法。

该文综述Transformer与强化学习的结合研究：多用途代理在Atari表现优异；人形机器人通过多模态学习玩井字棋；线性时序逻辑提升文本游戏指令正确率；Actor-Mimic实现多任务迁移；Decision Transformer将强化学习转为序列建模并达领先水平；Transformer处理语言指令与多视角操作；BERT实现零样本指令跟随；深度强化学习提升文本游戏效率；BabyAI任务结合Transformer；离线强化学习重构为序列建模并优化注意力机制。