本研究提出了一种新方法——时间代理奖励再分配（TAR²），旨在解决多智能体环境中因奖励稀疏或延迟导致的学习困难。TAR²通过再分配奖励加速学习过程，提升稳定性，表现优于传统的多代理强化学习方法。

本研究提出R3HF奖励再分配方法，解决了基于人类反馈的强化学习中奖励分配稀疏的问题，从而提升了语言模型的性能。