Temporal‑difference（TD）评估器通常需要对自举目标进行回归，并依赖目标网络。提升贝尔曼线性规划（LBLP）则把离线强化学习中样本的最优价值表示为数据集上的线性规划解。其神经求解器 ALBUM 通过固定系数的 hinge 惩罚松弛约束，保证依赖于预先设定的系数。本文采用乘子法（method of multipliers）求解同一 LP：约束系数转为通过对偶上升学习的乘子，只保留一个惩罚参数 $\rho$。在凸情形下，所有固定点恰为 LBLP 的 KKT 对，且每个驻点处约束权重恰好平衡目标函数。该评估器可配合高斯策略、流策略以及 best‑of‑N 采样；针对高斯策略我们提出优势归一化的 DDPG+BC 目标。使用单个 $Q$ 与 $V$，且无需目标网络，AL‑LBLP 在 50 项基于状态的 OGBench 任务上取得 60.1% 的平均成功率；在长时程任务上，humanoidmaze‑giant 达到 81.5%，antmaze‑giant 达到 79.8%。即使批量大小扩大至 8192，算法仍保持稳定。\n\n点评：该工作将增强拉格朗日框架引入离线 RL 的线性规划求解，成功消除了目标网络的依赖，并通过对偶学习实现自适应约束权重，展示了在大规模离线数据上的强鲁棒性和高效性。