阿里巴巴达摩院的论文《EvoPolicyGym》首次将自主策略演化形式化为独立评估设定，提出在固定交互预算内评估Agent的策略改进能力。研究表明，强自主策略演化依赖于任务适配机制的发现和策略的精炼。EvoPolicyGym框架提供轨迹级诊断，分析预算分配、反馈转化和策略精炼能力，强调自我进化能力在复杂任务中的重要性。

本研究提出了一种行为支持策略优化（BSPO）方法，旨在解决强化学习中基于人类反馈的奖励过度优化问题，减少模型评估时的外推误差。研究证明，BSPO能够实现策略的单调改进，并收敛到最佳策略。

本研究提出了一种蒙特卡洛模拟算法，用于实时自适应控制器的策略改进。该算法通过统计每个动作的长期期望回报，显著降低了基础玩家的误差率，展现出较大的应用潜力。

本研究提出SimuDICE框架，旨在解决离线强化学习中目标策略与行为策略分布不匹配及样本量有限的问题。通过世界模型生成合成经验，迭代改进策略，并利用DICE调整状态-动作对的采样概率，从而提高经验质量。实验结果表明，SimuDICE在使用较少经验和规划步骤时，性能与现有算法相当，并在不同数据收集策略下表现稳健。

本文介绍了一种新的离线强化学习方法——扩散Q学习，结合行为克隆和策略改进，提升了在D4RL基准任务中的表现。该方法通过状态重构特征学习解决分布偏移问题，并在多模态上下文环境中展示了优越性能。同时，提出的自适应策略学习框架和扩散策略优化算法显著提高了训练效率和样本利用率。

本文介绍了一种名为家族离线到在线RL的框架，它能够自适应地平衡策略改进和约束强度，实现更高的策略性能上限。该框架利用通用模型训练一族具有不同改进/约束强度的策略，并使用平衡模型为每个状态选择适当的策略。实验证明，该框架相对于现有方法具有统计显著改进，在D4RL基准上实现了最先进的性能。

介绍了家族离线到在线RL框架，可自适应平衡策略改进和约束强度，提高强化学习性能。使用通用模型训练一族具有不同改进/约束强度的策略，并使用平衡模型为每个状态选择适当的策略。实验结果表明，该框架相对于现有方法具有显著的改进，并在D4RL基准上实现了最先进的性能。

该文介绍了一种名为CPQL的新型时间效率方法，通过将噪声转化为动作，解决了扩散模型在更新时的时间效率和准确性问题，实现了脱机强化学习的策略改进，并可以无缝地扩展到在线强化学习任务中。实验结果表明，CPQL在11个脱机任务和21个在线任务中取得了新的最高性能，推理速度相比Diffusion-QL提高了近45倍。