ポリシー グラディエント ベースの RL は、最もデータ効率の低いトレーニング形式であることは、誰もが忘れています。ベースモデルのRL化における大きなアルゴリズムの進歩は、おそらく人工的な好奇心()のようなものを使用して行われるでしょう。しかし、現在の方法はそこにありません。