Metoda post-trainingu, która przeplata uczenie nadzorowane na zweryfikowanych trajektoriach sukcesu z PPO wykorzystującym dziedziczony model wartości.
A post-training method alternating supervised learning on verified successful trajectories with PPO using an inherited value model.
Agent uczy się z własnych udanych prób, przepisuje je i poprawia się w kolejnych rundach.
An agent learns from its own successful trials, rewrites them and improves in successive rounds.
Agent kończy część zadania, ale nie dochodzi do pełnego, sprawdzonego sukcesu.
The agent finishes part of a task but never reaches full, verified success.
Zapisuje udane ścieżki, uczy się z nich, a potem trenuje politykę z oceną postępu.
It records successful paths, learns from them, then trains the policy with progress scoring.
Asystent w terminalu naprawia skrypt. Zapisuje pełne sukcesy i używa ich, żeby w następnej rundzie kończyć trudniejsze zadania.
A terminal assistant fixes a script. It records full successes and uses them so the next round finishes harder tasks.