该论文扩展了“语言世界”基准，支持在模拟机器人环境中使用自然语言进行查询和技能描述。通过与元世界任务集的对比，分析大型语言模型与深度强化学习的差异。提出了一种“计划条件行为克隆”方法，在少样本情况下表现优异。语言世界已开源。

本文介绍了利用未标注数据进行零奖励共享的策略，并通过重新加权方法缓解错误奖励标签引入的偏置问题。该策略在模拟机器人运动、导航和操作等方面得到了验证。

该研究提出了一种名为PPO的新的增强学习策略梯度方法，可实现多个小批量更新周期，表现优于其他在线策略梯度方法。同时在样本复杂度、实现简单性和时间效率等方面取得了有利的平衡。