Gratulerer til min strålende medgründer Philipp Moritz (@pcmoritz) og den legendariske John Schulman, Sergey Levine, Pieter Abbeel og Michael Jordan med deres Test-of-Time Honorable Mention på ICML 2025 i dag! For å lage TRPO. Dette ble gjort under den forrige bølgen av spenning rundt forsterkende læring (Atari, Mujoco, AlphaGo, etc). Nå er RL tilbake takket være LLM-er og resonneringsmodeller, og arbeidet er mer virkningsfullt enn noen gang før! Feltet har i stor grad standardisert på varianter av TRPO. @pcmoritz @johnschulman2, @svlevine, @pabbeel