List your company
ResearchFormerly WizWand

Offline Reinforcement Learning on OGBench

54AntMaze Giant NavigateReBRAC
-2.1612.422741.58Dec 3, 2025Jan 8, 2026Feb 13, 2026Mar 21, 2026Apr 26, 2026Jun 1, 2026Jul 7, 2026
Updated 3mo ago

Evaluation results

MethodLinks
ReBRACPolicy Parameterization=Gaussian, Setting=Advanced2026.0554————————————————16————————————————39.1946765770918————
DTD(λ)Method Type=Ablations2026.0552———————————93——81—270—90—4———991—76————52————————————
Q-FlowPolicy Parameterization=Flow, Setting=Advanced2026.0541————————————————7————————————————47.5948597100038310————
Q-FlowPolicy Category=Flow, Evaluation Regime=Standard2026.0540————60———————————8————————————————54.48983———36——56492995
UHMMethod Type=Ours2026.0536———————————89——95—3326—92—30———9911—43————55————————————
ReBRACAlgorithm=ReBRAC2025.1233.2——————————43.995.989.282.759.261.112.955.9229198.412.619.62.95.22117.11.141.639.960———————————————
GHMMethod Type=Ablations2026.0533———————————90——90—1620—91—29———5113—44————48————————————
ReBRAC†Method Type=Ablations2026.0530———————————72——22—11—91—4———901—40————35————————————
GFP actorAlgorithm=GFP, Policy Component=actor πθ2025.1227.9——————————53.293.868.991.97266.217.857.930.598.810047.263.115.924.523.126.118.853.557.562.8———————————————
ReBRACPolicy Category=Gaussian, Seeds=52026.0327———————————91——16—20—92—7———210—50————29.7————————————
MBTD(λ)Method Type=Ablations2026.0527———————————71——64—1647—92—4———934—31————45————————————
ReBRACPolicy Class=Gaussian2026.0226.2———————————80.8——21.8—2.60—90.6—12.2———21.614—40.6——59.831—————————————
ReBRACPolicy Category=Gaussian, Evaluation Regime=Standard2026.0526————41———————————2————————————————318122———12——0211491
ReBRACMethod Type=Model-Free2026.0526———————————81——22—20—91—12———2114—41————31————————————
QSMNFE=≥ 102026.0724————78——————90——82—6————————————————47—————336——57——
FACPolicy Class=Flow2026.0223———————————92.6——75.6—8.367.7—98.8—33.1———10032.3—71.3——7660.3—————————————
OTQLNFE=22026.0719————99——————88——82—19————————————————59—————684——99——
QAMNFE=12026.0718————97——————81——67—11————————————————55—————643——100——
FQLAlgorithm=FQL2025.1216.3——————————46.788.158.187.95863.26.56028.6961002938.23.93.5301715.65659.365———————————————
QAMPolicy Parameterization=Flow, Setting=Advanced2026.0515————————————————10————————————————43.17764979906432————
DACPolicy Parameterization=Diffusion, Setting=Advanced2026.0514————————————————0————————————————358882675803452————
QSMPolicy Parameterization=Diffusion, Setting=Advanced2026.0513————————————————9————————————————41.390838555056319————
SORLPolicy Category=Flow Policies, Steps=82026.0612———————————93——67—20——99————————89————63————————————
QAM-FNFE=12026.0712————95——————83——65—12————————————————54—————653——99——
GSFlow (Ours)Policy Category=Flow, Seeds=52026.0310.4———————————88.4——45—4.646—95.6—51.3———25.216.7—88————47.1————————————
FQLPolicy Category=Flow, Evaluation Regime=Standard2026.059————56———————————4————————————————43.87958———29——60301796
FQLMethod Type=Model-Free2026.059———————————79——58—460—96—29———3017—56————44————————————
FQLPolicy Class=Flow2026.028.6———————————78.6——57.4—4.260.2—95.8—28.6———29.617.2—55.8——65.443.6—————————————
IQLAlgorithm=IQL2025.124——————————20.45330.412.93327.3282.88353.274.50.14.8970.1281642———————————————
IQLPolicy Class=Gaussian2026.024———————————53.4——32.8—2.48.4—83—6.4———97.4—27.6——41.623.4—————————————
FQLPolicy Category=Flow, Seeds=52026.034———————————80——19—739—97—36———1611—76————38.5————————————
IQLPolicy Category=Gaussian, Evaluation Regime=Standard2026.054————28———————————2————————————————23.45333———7——89783
FBRACPolicy Category=Flow, Evaluation Regime=Standard2026.054————45———————————2————————————————28.66038———15——16141379
IQLMethod Type=Model-Free2026.054———————————53——33—28—83—7———97—28————23————————————
FQLPolicy Category=One-Step Diffusion/Flow Policy, Steps=12026.064———————————80——19—7——97————————76————47————————————
FBRACPolicy Class=Flow2026.023.8———————————60.2——38.4—2.216—78.6—15———1413.2—44.8——22.828.6—————————————
IFQLPolicy Category=Flow, Evaluation Regime=Standard2026.053————30———————————11————————————————30.22860———14——33192579
DSRLNFE=≥ 102026.073————99——————61——53—3————————————————48—————741——87——
IFQLPolicy Class=Flow2026.022.6———————————28——60.4—1133.2—79.2—14———1925.2—30.4——50.230.3—————————————
FEditNFE=≥ 102026.072————62——————58——22—3————————————————36—————402——99——
IFQLPolicy Parameterization=Flow, Setting=Advanced2026.051————————————————22————————————————33.633838410001102————
FQLPolicy Parameterization=Flow, Setting=Advanced2026.051————————————————8————————————————35.47566797054532————
QAM-EPolicy Parameterization=Flow, Setting=Advanced2026.051————————————————2————————————————44.8815697100366555————
IFQLNFE=12026.071————84——————36——86—24————————————————43—————110——100——
GFP VaBCAlgorithm=GFP, Policy Component=VaBC πω2025.120.8——————————33.19057.689.335.939.52.410.31.439.799.96.49.47.68.619.29.519.357.658.5————————————————
BCPolicy Class=Gaussian2026.020.2———————————10.6——2—0.41—5.4—1.6———1.80.2—4.6———2.8—————————————
IDQLPolicy Class=Diffusion2026.020———————————20.8——0.8—0.611.8—94.6—14.6———10.429.2—46.2———22.9—————————————
SRPOPolicy Class=Diffusion2026.020———————————10.6——1.4—0.21—79.6—1.4———17.810.6—20———14.3—————————————
CACPolicy Class=Diffusion2026.020———————————32.8——52.8—0.61.8—85.2—5.8———19.414.8—39.8———25.3—————————————
FAWACPolicy Class=Flow2026.020———————————6.4——19.4—0.212.4—81.2—5.2———6.40.4—29.8———16.1—————————————
BCPolicy Category=Gaussian, Seeds=52026.030———————————0——1—01—3—0———10—1————0.7————————————
IQLPolicy Category=Gaussian, Seeds=52026.030———————————48——32—33—85—1———25—12————19.1————————————
IDQLPolicy Category=Diffusion, Seeds=52026.030———————————0——1—00—96—16———026—33————17.2————————————
SRPOPolicy Category=Diffusion, Seeds=52026.030———————————0——0—00—82—0———07—2————9.1————————————
CACPolicy Category=Diffusion, Seeds=52026.030———————————42——38—10—80—2———01—50————21.4————————————
FAWACPolicy Category=Flow, Seeds=52026.030———————————1——6—012—81—2———10—18————12.1————————————
FBRACPolicy Category=Flow, Seeds=52026.030———————————70——25—024—83—22———25—46————27.7————————————
IFQLPolicy Category=Flow, Seeds=52026.030———————————24——69—616—73—9———021—0————21.8————————————
FBRACPolicy Parameterization=Flow, Setting=Advanced2026.050————————————————0————————————————1023645017000————
IDQLPolicy Category=Diffusion, Evaluation Regime=Standard2026.050————46———————————1————————————————23211———15——12102995
CACPolicy Category=Diffusion, Evaluation Regime=Standard2026.050————40———————————0————————————————25.33353———6——2191585
FAWACPolicy Category=Flow, Evaluation Regime=Standard2026.050————30———————————0————————————————16619———5——126181
MOPOMethod Type=Model-Based2026.050———————————0——0—00—12—1———200—6————4————————————
MOBILEMethod Type=Model-Based2026.050———————————0——0—00—81—1———120—8————10————————————
MACMethod Type=Model-Based2026.050———————————18——2—029—99—53———2078—97————40————————————
BCPolicy Category=Gaussian Policies, Steps=12026.060———————————0——1—0——3————————0————1————————————
IQLPolicy Category=Gaussian Policies, Steps=12026.060———————————48——32—3——85————————12————30————————————
IDQLPolicy Category=Diffusion Policies, Steps=52026.060———————————0——1—0——96————————33————22————————————
CACPolicy Category=Diffusion Policies, Steps=22026.060———————————42——38—1——80————————50————35————————————
FAWACPolicy Category=Diffusion Policies, Steps=102026.060———————————1——6—0——12————————18————6————————————
FBRACPolicy Category=Flow Policies, Steps=102026.060———————————70——25—0——24————————46————28————————————
IFQLPolicy Category=Flow Policies, Steps=102026.060———————————24——69—6——16————————0————19————————————
SORLPolicy Category=One-Step Diffusion/Flow Policy, Steps=12026.060———————————93——80—0——82————————1————43————————————
SRPOPolicy Category=One-Step Diffusion/Flow Policy, Steps=12026.060———————————0——0—0——0————————2————0————————————
BFQPolicy Category=One-Step Diffusion/Flow Policy, Steps=12026.060———————————91——94—48——90————————82————68————————————
FAWACNFE=≥ 102026.070————38——————17——24—0————————————————11—————20——3——
CGQLNFE=≥ 102026.070————38——————76——60—5————————————————34—————388——48——
FQLNFE=12026.070————78——————76——68—9————————————————44—————463——70——
BAMApproach=BACKPROP2026.01—84160598560473035———————————————————————————————————
CGQLApproach=GUIDANCE2026.01—760605384824388030———————————————————————————————————
CGQLPolicy Extraction Mode=STEERING2026.06—9485715851009597201467———————————————————————————————————
CGQL-LApproach=GUIDANCE, Variant=Linex2026.01—65362688900458037———————————————————————————————————
CGQL-LPolicy Extraction Mode=STEERING2026.06—7957838671002599204258———————————————————————————————————
CGQL-MApproach=GUIDANCE, Variant=MSE2026.01—714426741000418135———————————————————————————————————
CGQL-MPolicy Extraction Mode=STEERING2026.06—8257923492972998203564———————————————————————————————————
DACApproach=GUIDANCE2026.01—881683068680355336———————————————————————————————————
DSRLApproach=POST-PROCESSING2026.01—61353399870741238———————————————————————————————————
DSRLPolicy Extraction Mode=STEERING2026.06—904077291008709907860———————————————————————————————————
FAWACApproach=ADV. WEIGHTED2026.01—17024038302008———————————————————————————————————
FBRACApproach=BACKPROP2026.01—203905001500011———————————————————————————————————
FBRACPolicy Extraction Mode=BACKPROP2026.06—89814949995927955164———————————————————————————————————
FEditApproach=POST-PROCESSING2026.01—582223629934402533———————————————————————————————————
FEditPolicy Extraction Mode=STEERING2026.06—968680899100100100408079———————————————————————————————————
FQLApproach=BACKPROP2026.01—76068978705463236———————————————————————————————————
FQLPolicy Extraction Mode=FINE-TUNING2026.06—9993871691100100100608082———————————————————————————————————
IFQLApproach=POST-PROCESSING2026.01—3618624841000110234———————————————————————————————————
IFQLPolicy Extraction Mode=STEERING2026.06—76175179610007906149———————————————————————————————————
QAMApproach=ADJOINT MATCHING2026.01—81186711971000643344———————————————————————————————————
QAMPolicy Extraction Mode=FINE-TUNING2026.06—985383211001003100707170———————————————————————————————————
QAM-EPolicy Extraction Mode=FINE-TUNING2026.06—9695831610010099100797985———————————————————————————————————