待验证50% 置信事实精确时间
训练从稀疏奖励开始，之后通过事件频率表进行奖励塑形迭代；事件频率表中移动惩罚占总事件的48.3%，探索格子占21.7%，攻击怪物占14.5%。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
涉及实体
相关事实
待验证在固定learning_rate下，batch_size随环境数线性放大、num_epoch保持不变时，策略在单次迭代中被推向新分布的总位移可能增大，表现为训练早期奖励剧烈震荡甚至坍塌。68% 相似待验证具体奖励与惩罚条款：分析岗有理由枪毙弱候选+10，侦察岗报告一周颗粒无收+8；不必要升级-15，运行崩溃-10，超时-5；捏造数据-200并标记复核。66% 相似待验证采样分析器周期性抓取调用栈快照以估算热点，开销通常只有百分之几，而追踪分析器钩入每次调用返回事件，开销有时高达数倍64% 相似待验证ε-greedy策略以概率ε随机选择动作、以概率1-ε选择当前Q值最高的动作，训练初期ε通常设为1.0，随后在数百万帧内线性衰减至0.01或0.164% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1048204API
curl https://kongchang.com/api/v1/knowledge/claims/1048204MCP
get_claim(id=1048204)