待验证50% 置信观点精确时间
PPO 在 CartPole 上可能不占优，因为 CartPole 状态维度低、episode 短、任务难度极低，critic 带来的额外开销和估计误差可能拖累表现，因此 CartPole 是例外但不具代表性。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证在PPO和GRPO算法中，重要性采样校正权重正比于新旧策略概率之比exp(logprob_new - logprob_old)，由于指数函数放大，0.001的logprob偏差会产生可观的权重误差57% 相似待验证对于缓慢性能退化或间歇性异常等不体现为单次操作明确失败的问题，Dllog 的失败才回放模型可能漏掉线索56% 相似待验证POMDP的转移概率、观测模型、奖励函数参数一旦估计失准，求解出的最优策略可能不如保守的阈值规则可靠，对初学者小项目而言存在过度工程风险55% 相似待验证论文指出主流MOBO方法在评估预算极度紧张时存在明显短板，可能无法生成足够多的解去同时逼近整个前沿55% 相似待验证PPO的局限性在于样本效率相对较低，通常需要数百万乃至数十亿帧的游戏画面才能达到人类水平55% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1025866API
curl https://kongchang.com/api/v1/knowledge/claims/1025866MCP
get_claim(id=1025866)