LDiP：用随机迭代打分做离散行为建模的策略框架

作者提出 Large Discrete Policy（LDiP），一个全离散的行为建模框架，从大规模物理可行候选动作词表中选取动作，而不是对动作做扰动。LDiP 通过随机迭代打分提升表达能力，在打分空间中逐步重新打分并剪枝候选，从而在保留显式决策过程的同时实现细粒度排序与探索。在端到端规划、闭环驾驶、机器人操作和视觉-语言-动作设置中，LDiP 在自动驾驶上持续优于强离散与连续基线，在机器人操作上超过或持平连续生成策略。作者据此认为，配合有效打分机制的离散策略可作为行为建模的一种表达力强、动作合理且可解释的替代方案。该工作为 arXiv 预印本（arXiv:2609.07049）。