DT个人理解
emmm, 这里的Transformer 就和最近接触到的whisper一样，比起传统Transformer，自己还设计了针对特殊情况的tokens。比如whisper里对SOT，起始时间，语言种类等都指定了特殊tokens去做Decoder的输入和输出。
DT这里的作为输入的Tokens由RL里喜闻乐见的历史数据：State，Action，Reward组成。输出只是简单的Actions(历史+即将需要的)
这里的输入是基于“Retures to go”的设计：Sum of remaining future returns. 类似于从当下的此时此刻开始，到目的地结束，你有N条路径可以走，但是，你需要在训练过程中，让model学习预测当下到未来可获得的最高reward。但因为你对未来是空白的，Monte carlor 是一种喜闻乐见的方式去疯狂采样模拟来估计，目前自己能想到的，但是还没看到后面，作者到底是怎么处理这一步的。好吧，不是我想的那样，也对，不然猴年马月才能得到最高的reward。作者在这里的处理是将reward直接放进0-1之间，并且取1作为目标。So called “Goal conditioning”，就是先设定目标，再根据离目标做出学习调整。
~ 自己就是RL开始的，后来
