论文提出 LEMUR，将多目标强化学习与基于偏好的强化学习结合：智能体通过多名人类对不同目标的偏好反馈，同时学习多个目标专属奖励模型与策略，从而在没有预定义奖励函数时处理竞争目标。摘要称其在多种多目标基准任务上优于基线，但未提供具体指标、样本效率或统计显著性数据。
最近 24 小时暂无可用热度快照。