L’optimisation de politiques à entropie équilibrée par agent (AEPO) a été proposée en octobre 2025 par une équipe de recherche conjointe de l’Université Renmin de Chine et de Kuaishou. Les résultats de cette recherche ont été publiés dans l’article « […] ».Optimisation de politique équilibrée en entropie par agent".

AEPO est un algorithme d'apprentissage par renforcement (RL) conçu pour équilibrer l'entropie lors des phases de déploiement et de mise à jour de la politique. Il se compose de deux éléments principaux : (1) un mécanisme d'extension d'équilibrage dynamique de l'entropie qui alloue de manière adaptative les budgets d'échantillonnage global et de branchement grâce à une pré-surveillance de l'entropie, tout en appliquant des pénalités de branchement aux appels d'outils successifs à haute entropie afin d'éviter une ramification excessive ; et (2) une optimisation de la politique d'équilibrage de l'entropie qui insère une opération d'arrêt du gradient dans les termes d'élagage à haute entropie afin de préserver et de redimensionner correctement les gradients sur les étiquettes à haute entropie, tout en intégrant une estimation de l'avantage tenant compte de l'entropie pour prioriser l'apprentissage des étiquettes à forte incertitude. Les résultats obtenus sur 14 jeux de données complexes démontrent qu'AEPO surpasse systématiquement 7 algorithmes RL classiques.