#奖励塑形

这论文教你用VLM给RL智能体自动设计奖励函数，不用手动调公式，在Meta-World和Franka Kitchen上训练更快，还防奖励黑客。

这篇论文揭示了奖励信号设计比选优化器更重要，GRPO容易作弊，加个规则防御就能让质量跳升14.7%点。