[控场AI]
待验证50% 置信事实精确时间

在价值型强化学习中,策略提取的常见做法包括贪心选择(argmax Q)、软最大化(softmax over Q)或通过单独的策略网络进行蒸馏。

1
来源数
50%
置信度
长期有效
时效性
2026/11/5
首次发现

来源

涉及实体

相关事实

引用此条事实

Stable URI
https://kongchang.com/claim/1138922
API
curl https://kongchang.com/api/v1/knowledge/claims/1138922
MCP
get_claim(id=1138922)