RL
PIMRC · LLM 优化 MADDPG 奖励回放“训练回报→LLM 诊断→奖励更新→MADDPG 重训”的完整因果回路。
END-TO-END FLOW点击任意阶段，停留检查过程
MANUAL HOLD
THREE FIRST-AUTHOR RESEARCH LINESPIMRC / LLM × MADDPG 奖励迭代
一作 · 已发表PUBLISHED
PIMRC让训练回报反过来指导奖励函数设计SYNTHETIC METHOD VISUAL · NOT AN EXPERIMENT SCREENSHOT
PROBLEM
人工奖励塑形依赖反复试错，稀疏回报容易带来训练震荡。
01回报是反馈，不是让 LLM 直接替代策略02每轮只改变奖励定义，保持对照可解释03目标是减少人工枚举奖励项的试错成本
01TRAIN RETURN→02LLM CRITIQUE→03REWARD v+1→04MADDPG→05NEXT RETURN↺
01PROBLEMMETHOD02BASELINEMETHOD03LLM REWARDMETHOD04RETRAINMETHOD05COMPAREMETHOD06EVIDENCEPUBLISHED
图片、网络拓扑和动画均为本作品集原创合成，用来解释公开方法；不包含论文私有代码、原始实验截图或未披露数值。