跳到主要内容

Control · Core16

Acrobot

双连杆欠驱动机械臂的摆起控制任务。

历史研究记录

这些证据属于论文时期实验，并不表示相关 package 当前仍然可用。

01

最终 Policy 证据

每张卡片都在原研究 Environment 中重跑 validation 选出的 checkpoint。

GPT-5.5 Policy rerun in Acrobotnative env render

GPT-5.5

Codex
BEST
Held-out 分数
-84.69
Checkpoint
#001
重跑
76 steps

Validation-selected checkpoint rerun in the original environment; case return -75.00.

Claude Opus 4.7 Policy rerun in Acrobotnative env render

Claude Opus 4.7

Claude Code
#2
Held-out 分数
-88.59
Checkpoint
#011
重跑
74 steps

Validation-selected checkpoint rerun in the original environment; case return -73.00.

MiniMax-M3 Policy rerun in Acrobotnative env render

MiniMax-M3

Claude Code
#4
Held-out 分数
-136.4
Checkpoint
#010
重跑
249 steps

Validation-selected checkpoint rerun in the original environment; case return -248.0.

DeepSeek-V4-Pro Policy rerun in Acrobotnative env render

DeepSeek-V4-Pro

Claude Code
#3
Held-out 分数
-91.16
Checkpoint
#007
重跑
130 steps

Validation-selected checkpoint rerun in the original environment; case return -129.0.

02

报告分数

在该 Environment 内分数越高越好；不同任务的原始 reward scale 不可比较。

01GPT-5.5Codex-84.69
02Claude Opus 4.7Claude Code-88.59
03DeepSeek-V4-ProClaude Code-91.16
04MiniMax-M3Claude Code-136.4
05Random policyUniform-499.2