离线强化学习（Offline RL）的一大难点是：训练数据固定、质量参差不齐。近两年，Decision Transformer（DT）等基于 Transformer 的方法因为把决策建模成条件序列生成而受到关注，但它们往往把「整条轨迹」作为学习单位：如果一条轨迹的最终回报不高，轨迹中间即便出现过有效动作与局部成功，也容易被整体低回报「稀释」。
针对这一痛点，山东大学、中科院、理想汽车与清华大学的研究团队联合提出了一种名为 PRGS（Peak-Return Greedy Slicing）的新框架。
PRGS 的目标是在不改变离线数据来源的前提下，从原始轨迹中自动筛选出更有学习价值的子轨迹（sub-trajectories），用于训练 Transformer 型离线 RL 方法，并在推理阶段进一步避免「糟糕历史」对当前决策的干扰。
在 D4RL、BabyAI 等主流榜单上，PRGS 不仅超越各种基线方法，更让 Transformer 类方法的平均性能提升了 15.8%！
本论文的第一作者徐志伟，山东大学通用智能实验室助理教授。于 2024 年在中国科学院自动化研究所获博士学位，研究内容主要为强化学习、多智能体系统与基于大语言模型的 AI Agent。曾获得 2025 年度中国智能体与多智能体系统优秀博士论文提名等荣誉。
目前，该论文已接收于国际计算机顶级会议 ICLR 2026。ICLR（International Conference on Learning Representations）是机器学习与表示学习领域的国际顶级会议之一，与 NeurIPS、ICML 并列为人工智能方向最具影响力的学术会议。本次 ICLR 2026 共有接近 19000 篇有效投稿，接收率约为 28%。
论文标题：Peak-Return Greedy Slicing: Subtrajectory Selection for Transformer-Based Offline RL
论文链接：
https://openreview.net/pdf?id=7vpehpWnnY
01 痛点：按「整条轨迹」学习，粒度不够细
在离线 RL 中，数据是固定的，不能像在线 RL 那样去不断试错。现有的 Transformer-based 方法（如 DT），本质上是在做条件序列建模。它们通常以「最终回报（Final Return）」为条件来生成动作。
这带来的问题是显而易见的：
粒度偏粗： 模型只能看到一条轨迹的整体回报信号，难以区分轨迹内部不同时间段的质量差异。
缝合能力缺失： 由于缺乏局部优化目标，模型很难从多个平庸策略中提取出最优片段并组合成新的完美策略。
虽然也有研究试图通过重采样或加权来缓解，但大多治标不治本，没有深入到时间步（Timestep）级别去精细化操作。而 PRGS 的出现，正是为了打破这一僵局。
02 核心解法：从全局建模到精细化切片
PRGS（Peak-Return Greedy Slicing）可以理解为一个面向 Transformer 离线 RL 的数据处理与推理增强框架，包含三部分：回报估计、贪心切片、推理时自适应截断。
它的核心逻辑非常像人类的学习过程：回顾过去的经历，哪怕结局是失败的，也要找出其中做得最好的那一段，刻在脑子里。
PRGS 包含三个环环相扣的模块：
第一步：MMD-based Return Estimator：用分布视角做更「乐观」的回报估计
PRGS 首先需要回答：在轨迹内部，哪些时间段更可能带来高回报？为此作者引入基于最大均值差异（MMD）的回报估计器，用来刻画状态-动作对的潜在回报分布。
不同于传统的均值预测，MMD 估计器能预测状态-动作对的潜在回报分布。通过对分布采样并取 Top-n 均值，PRGS 获得了一个乐观的回报估计值。简单来说就是：它能挖掘出当前状态下可能达到的最好结果，而不是平均结果。
第二步：Greedy Subtrajectory Slicing：围绕峰值回报做递归切片
在得到每个时间步的「乐观回报」后，PRGS 对单条轨迹执行贪心切片：PRGS 会扫描整条轨迹，计算每个时间步的「乐观回报」。然后，它会找到那个回报最高的点——峰值点（Peak Point）。
切。 以这个峰值点为界，从起点到峰值点的这一段，被认定为「高质量子轨迹」，直接拿去训练 Transformer。
再切。 剩下的部分，再重新找峰值，继续切，直到切完为止。
这种递归式的贪心策略，把长轨迹拆成一组更短、质量更聚焦的子轨迹，从而让 Transformer 在训练中更频繁地接触到「相对高回报」的决策片段。
第三步：Adaptive History Truncation：推理阶段的自适应截断
PRGS 还考虑了一个实际问题：模型训练时看到的是「从轨迹中段截取出来的子轨迹」，推理时如果始终把所有历史上下文都喂给模型，早期的低质量动作可能会干扰后续决策。
PRGS 引入了一种自适应历史截断机制（AHT）：每走一步，模型都会评估当前状态的价值。如果发现现在的处境比历史记录显示的更有前途，说明之前的历史已经不仅没用，反而成了累赘。这时候，模型会果断失忆，丢掉历史上下文，轻装上阵。
03 实验：多场景达到 SOTA 表现，复杂场景更强
研究团队在 D4RL（连续控制）、BabyAI（自然语言指令跟随）以及 AuctionNet（大规模广告竞价）三个截然不同的基准上进行了测试。
D4RL 场景中表现惊艳
在经典的 MuJoCo 和 AntMaze 任务中，PRGS 的表现堪称惊艳。特别是在需要极强「缝合能力」的 Maze2D-Large 迷宫任务中，DT-PRGS 的得分高达 127.5，而原始 DT 只有不到 30 分。
在迷宫任务中的可视化结果也显示，通过 PRGS 提取出的子轨迹，精准地覆盖了通往目标的「黄金路径」，几乎剔除了所有绕弯路的无效探索。
真实业务场景的潜力
除了学术榜单，PRGS 在 AuctionNet（阿里妈妈开源的广告竞价数据集）上也表现出色。相比于 BC（行为克隆），加持了 PRGS 后的 BC 算法在多个周期内实现了显著的利润提升。
04 总结与展望
PRGS 的成功证明了一件事：在离线强化学习中，数据不仅要「多」，更要「精」。
通过 MMD 估计器、贪心切片和自适应截断这套组合拳，PRGS 成功地让 Transformer 具备了「取其精华，去其糟粕」的能力。这一成果也为自动驾驶、机器人控制等工业级应用提供了极具价值的技术参考。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
