Dreamer的策略学习采用Actor-Critic框架：Actor根据想象出的潜在状态s_t输出动作分布，Critic估计该状态的价值；梯度通过世界模型的潜在轨迹回传，但世界模型参数通常被冻结以避免策略优化信号污染世界模型的学习目标，从而保持训练稳定。