待验证50% 置信事实精确时间
上下文 bandit 是强化学习中的一类序贯决策框架：智能体每轮观察上下文特征，选择一个动作并只获得即时奖励，不涉及逐步信用分配问题，也无需对价值函数做时序回溯估计。
1
来源数
50%
置信度
长期有效
时效性
2026/10/30
首次发现
来源
涉及实体
相关事实
待验证多臂老虎机是强化学习中最简化的决策模型，智能体从固定的K个动作中选择一个获得即时奖励，没有状态转移。71% 相似待验证在强化学习语境下，rollout指智能体在环境或策略下完整走一遍、生成一条轨迹的过程65% 相似待验证监督器是一个状态机，大部分时间运行DUNGEON模式由强化学习模型决策，步数预算耗尽或击杀足够怪物后切换到PATHFIND模式用BFS寻路到最近看到的楼梯。65% 相似待验证系统提示若包含用户指令可覆盖安全训练的元指令，相当于在模型决策逻辑中预置优先级翻转开关，攻击者无需破解模型即可绕过护栏64% 相似待验证游戏化学习的核心在于通过分段任务、即时反馈、进度激励等机制将知识体系拆解成可消化的小单元64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1114434API
curl https://kongchang.com/api/v1/knowledge/claims/1114434MCP
get_claim(id=1114434)