List your company

Offline Reinforcement Learning on D4RL AntMaze

94.4AntMaze Medium Play ReturnMPCwDWM
-3.77621.71247.272.688Nov 2, 2021Aug 9, 2022May 16, 2023Feb 20, 2024Nov 26, 2024Sep 2, 2025Jun 9, 2026

Evaluation results

MethodLinks
MPCwDWMPre-trained policy=ReBRAC, Number of seeds=102026.0394.4—9990946766—85.07—
ReBRACPolicy Category=Gaussian, Seeds=52026.0390—9884845264—78.7—
ReBRAC2026.0389.5—97.7583.583.552.2564—78.42470.5
OFQLPolicy Type=One-Step Flow/Diffusion Policy2026.0688.184.6——90.28476.1———
BFQPolicy Type=One-Step Flow/Diffusion Policy2026.068783.9——84.188.576.1———
ReBRACNumber of seeds=102026.0386.7—9989835951—77.62—
DQLPolicy Type=Diffusion Policy2026.068681.3——94.783.361.3———
EPQ2024.0585—99.478.386.74036.7426.1——
IDQL2026.0384.5—9480.284.863.567.9—79.15474.9
IDQLPolicy Category=Diffusion, Seeds=52026.0384—9480856468—79.2—
SRPOPolicy Category=Diffusion, Seeds=52026.0381—9782755454—73.8—
SRPOPolicy Type=One-Step Flow/Diffusion Policy2026.0680.773.6——7553.653.6———
DMG2024.1180.2—92.475.477.255.458.8439.4——
SORLPolicy Type=One-Step Flow/Diffusion Policy2026.0680.165——7057.352.5———
SPQR-CQL-Min2024.0180—93.380————84.4—
GEM2026.0378.33—8379.3382.6737.3337—66.28397.66
FQLPolicy Category=Flow, Seeds=52026.0378—9689718483—83.5—
FQL2026.0378—9689718483—83.5501
FQLPolicy Type=One-Step Flow/Diffusion Policy2026.067879——718483———
GSFlow (Ours)Policy Category=Flow, Seeds=52026.0377.2—99.693.275.586.584.8—86.1—
FBRACPolicy Category=Flow, Seeds=52026.0377—9482773220—63.7—
Diffusion-QL2026.0376.6—93.466.278.646.456.6—69.63417.8
IQL2022.0276.4—89.665.672.84246392.4——
IQL2024.1176.4—89.665.672.84246392.4——
IQLPolicy Type=Gaussian Policy2026.0675.560——7838.648———
SPOTseeds=102022.0274.7—93.565.679.135.336.3359.6——
EDPPolicy Type=Diffusion Policy2026.0673.350.2——52.733.341.3———
IQL2024.0571.2—87.562.27039.647.5378——
CQLsource=reproduced2024.0567.5—80.456.362.53513.3315——
IDQLPolicy Type=Diffusion Policy2026.0667.359.8——83.348.740———
IQLPolicy Category=Gaussian, Seeds=52026.0366—7754744230—57.2—
CQL2026.0365.75—92.7537.2567.2520.7520.5—50.71304.25
IQL2026.0365.75—7754.2573.754230.25—57.17343
KFC++2021.1163.1—99.891.190.525.634———
MISA2024.0563—92.389.162.817.523.4348.1——
S4RL-(N)Augmentation=Normal2021.1161.9—91.387.878.124.427———
S4RL-(Adv)Augmentation=Adversarial2021.1161.6—94.18882.325.126.2———
CQL2021.1161.2—748453.715.814.9———
CQL-Min2024.0161.2—7484————73.1—
CQLsource=original paper2024.0561.2—748453.715.814.9303.6——
KFC2021.1160—96.991.287.124.833.1———
SSAR2026.0359.8—94.765.159.635.526.7—56.9341.4
CQL2022.0259—82.610.246.616.43.2218——
CQL2024.1159—82.610.246.616.43.2218——
IFQLPolicy Category=Flow, Seeds=52026.0356—9262605564—64.8—
MCQ2024.0552.5—98.38037.52.57.5278.3——
FAWACPolicy Category=Flow, Seeds=52026.0352—9055441016—44.5—
CACPolicy Category=Diffusion, Seeds=52026.0349—6666000—30.2—
CAC-2Policy Type=Diffusion Policy, Inference variant=two-step inference2026.064912.3——000———
PLAS2022.0231.4—6245.420.62.23164.6——
TD3+BC2024.0510.6—78.671.430.20163.8——
TD3-BCPolicy Type=Gaussian Policy2026.0610.64.1——5.70.20———
10% BCUsage=top 10% of demonstrations2024.055.4—62.850.29.806134.2——
Onestep2024.055—72.57552.52.5162.5——
BC2022.020.4—49.241.80.20091.6——
TD3+BC2026.030.25—70.7544.750.2500—19.33116
BCQ2022.020—78.95506.72.2142.8——
BEAR2022.020—7361800142——
Decision Transformer2022.020—54.241.200095.4——
TD3+BC2022.020—73470.200120.2——
BC2024.010—6555————40—
SAC-Min2024.010—00————0—
BEAR2024.010—7361————44.7—
BC2024.050—54.645.6000100.2——
BC2024.110—66.856.8000123.6——
BCQ2024.110—78.95506.72.2142.8——
BEAR2024.110—7361800142——
DT2024.110—54.241.200095.4——
AWAC2024.110—80520.200132.2——
OneStep2024.110—5457.80.600.2112.6——
TD3BC2024.110—73470.200120.2——
BCPolicy Category=Gaussian, Seeds=52026.030—5547100—17.2—
AWAC2026.030—56.7554.75000—18.58111.5
SAC-N2026.030—00000—00
EDAC2026.030—00000—00
DT2026.030—5751.75000—18.12108.75
BCPolicy Type=Gaussian Policy2026.0600.2——0.600———
CACPolicy Type=Diffusion Policy2026.0600——000———
ASTROAlgorithm=IQL2025.11—70.4————————
ASTROAlgorithm=FQL2025.11—88.6————————
DiffStitchAlgorithm=IQL2025.11—65.3————————
DiffStitchAlgorithm=FQL2025.11—85————————
OriginalAlgorithm=IQL2025.11—57.3————————
OriginalAlgorithm=FQL2025.11—78.2————————
SynthERAlgorithm=IQL2025.11—63.5————————
SynthERAlgorithm=FQL2025.11—79————————