世界模型

Scaling Tasks, Not Samples: Mastering Humanoid Control through Multi-Task Model-Based Reinforcement Learning

通过多任务模型基于强化学习掌握人形控制

Shaohuai Liu, Weirui Ye, Yilun Du, Le Xie

专题命中 模型式强化学习 ：model-based reinforcement learning(title,abstract)；world model(abstract)；world model(abstract)；分类 cs.AI、cs.RO

AI总结 本文提出EfficientZero-Multitask算法，通过多任务模型基于强化学习提升人形机器人控制性能，实现高效样本利用和高任务适应性。

LD-EnSF: Synergizing Latent Dynamics with Ensemble Score Filters for Fast Data Assimilation with Sparse Observations

LD-EnSF：融合潜在动力学与集成评分滤波器用于稀疏观测的快速数据同化

Pengpeng Xiao, Phillip Si, Peng Chen

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Yale University（耶鲁大学） 纠错

专题命中 模型式强化学习 ：latent dynamics(title,abstract)；分类 cs.LG

AI总结 LD-EnSF通过在潜在空间中直接演进动力学，结合改进的LDNets和历史感知LSTM编码器，实现高维稀疏观测下的高效数据同化。

Sample-efficient and Scalable Exploration in Continuous-Time RL

在连续时间强化学习中实现高效且可扩展的探索

Klemens Iten, Lenart Treven, Bhavya Sukhija, Florian Dörfler, Andreas Krause

机构 * ETH Zürich（苏黎世联邦理工学院） 纠错

专题命中 模型式强化学习 ：model-based RL(abstract)；分类 cs.AI、cs.LG、cs.RO

AI总结 本文提出COMBRL算法，通过结合外在奖励和模型不确定性，实现连续时间强化学习中的高效样本利用和可扩展性。

Comments 28 pages, 8 figures, 6 tables. Published as a conference paper at ICLR 2026