Buchumschlag

Craftax: A Lightning-Fast Benchmark for Open-Ended Reinforcement Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Matthews, Michael, Beukman, Michael, Ellis, Benjamin, Samvelyan, Mikayel, Jackson, Matthew, Coward, Samuel, Foerster, Jakob
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Multi-Agent Craftax: Benchmarking Open-Ended Multi-Agent Reinforcement Learning at the Hyperscale
von: Omari, Bassel Al, et al.
Veröffentlicht: (2025)

Robust Agents in Open-Ended Worlds
von: Samvelyan, Mikayel
Veröffentlicht: (2025)

JaxUED: A simple and useable UED library in Jax
von: Coward, Samuel, et al.
Veröffentlicht: (2024)

Kinetix: Investigating the Training of General Agents through Open-Ended Physics-Based Control Tasks
von: Matthews, Michael, et al.
Veröffentlicht: (2024)

Refining Minimax Regret for Unsupervised Environment Design
von: Beukman, Michael, et al.
Veröffentlicht: (2024)

JaxLife: An Open-Ended Agentic Simulator
von: Lu, Chris, et al.
Veröffentlicht: (2024)

DéjàQ: Open-Ended Evolution of Diverse, Learnable and Verifiable Problems
von: Röpke, Willem, et al.
Veröffentlicht: (2026)

Goal-Conditioned Agents that Learn Everything All at Once
von: Matthews, Michael, et al.
Veröffentlicht: (2026)

Rainbow Teaming: Open-Ended Generation of Diverse Adversarial Prompts
von: Samvelyan, Mikayel, et al.
Veröffentlicht: (2024)

Policy-Guided Diffusion
von: Jackson, Matthew Thomas, et al.
Veröffentlicht: (2024)

SPARQ: Synthetic Problem Generation for Reasoning via Quality-Diversity Algorithms
von: Havrilla, Alex, et al.
Veröffentlicht: (2025)

Preventing Learning Stagnation in PPO by Scaling to 1 Million Parallel Environments
von: Beukman, Michael, et al.
Veröffentlicht: (2026)

An Optimisation Framework for Unsupervised Environment Design
von: Monette, Nathan, et al.
Veröffentlicht: (2025)

High entropy leads to symmetry equivariant policies in Dec-POMDPs
von: Forkel, Johannes, et al.
Veröffentlicht: (2025)

No Regrets: Investigating and Improving Regret Approximations for Curriculum Discovery
von: Rutherford, Alexander, et al.
Veröffentlicht: (2024)

A Clean Slate for Offline Reinforcement Learning
von: Jackson, Matthew Thomas, et al.
Veröffentlicht: (2025)

Multi-Agent Diagnostics for Robustness via Illuminated Diversity
von: Samvelyan, Mikayel, et al.
Veröffentlicht: (2024)

Can Learned Optimization Make Reinforcement Learning Less Difficult?
von: Goldie, Alexander David, et al.
Veröffentlicht: (2024)

The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery
von: Lu, Chris, et al.
Veröffentlicht: (2024)

Adam on Local Time: Addressing Nonstationarity in RL with Relative Adam Timesteps
von: Ellis, Benjamin, et al.
Veröffentlicht: (2024)

Discovering Temporally-Aware Reinforcement Learning Algorithms
von: Jackson, Matthew Thomas, et al.
Veröffentlicht: (2024)

Helix: Evolutionary Reinforcement Learning for Open-Ended Scientific Problem Solving
von: Su, Chang, et al.
Veröffentlicht: (2026)

Simplifying Deep Temporal Difference Learning
von: Gallici, Matteo, et al.
Veröffentlicht: (2024)

Focusing Robot Open-Ended Reinforcement Learning Through Users' Purposes
von: Cartoni, Emilio, et al.
Veröffentlicht: (2025)

Learning Multi-Agent Communication with Contrastive Learning
von: Lo, Yat Long, et al.
Veröffentlicht: (2023)

RobocupGym: A challenging continuous control benchmark in Robocup
von: Beukman, Michael, et al.
Veröffentlicht: (2024)

Beyond the Boundaries of Proximal Policy Optimization
von: Tan, Charlie B., et al.
Veröffentlicht: (2024)

The Edge-of-Reach Problem in Offline Model-Based Reinforcement Learning
von: Sims, Anya, et al.
Veröffentlicht: (2024)

Abstraction for Offline Goal-Conditioned Reinforcement Learning
von: Wibault, Clarisse, et al.
Veröffentlicht: (2026)

A Model-Based Solution to the Offline Multi-Agent Reinforcement Learning Coordination Problem
von: Barde, Paul, et al.
Veröffentlicht: (2023)

Discovering Minimal Reinforcement Learning Environments
von: Liesen, Jarek, et al.
Veröffentlicht: (2024)

SOReL and TOReL: Two Methods for Fully Offline Reinforcement Learning
von: Fellows, Mattie, et al.
Veröffentlicht: (2025)

Recurrent Reinforcement Learning with Memoroids
von: Morad, Steven, et al.
Veröffentlicht: (2024)

Self-Rewarding Rubric-Based Reinforcement Learning for Open-Ended Reasoning
von: Ye, Zhiling, et al.
Veröffentlicht: (2025)

Hierarchical Behaviour Spaces
von: Matthews, Michael Tryfan, et al.
Veröffentlicht: (2026)

How Should We Meta-Learn Reinforcement Learning Algorithms?
von: Goldie, Alexander David, et al.
Veröffentlicht: (2025)

Autotelic Reinforcement Learning: Exploring Intrinsic Motivations for Skill Acquisition in Open-Ended Environments
von: Srivastava, Prakhar, et al.
Veröffentlicht: (2025)

Open-Endedness is Essential for Artificial Superhuman Intelligence
von: Hughes, Edward, et al.
Veröffentlicht: (2024)

GRLO: Towards Generalizable Reinforcement Learning in Open-Ended Environments from Zero
von: Yin, Shangjian, et al.
Veröffentlicht: (2026)

A Motivational Architecture for Open-Ended Learning Challenges in Robots
von: Romero, Alejandro, et al.
Veröffentlicht: (2025)