待验证60% 置信事实精确时间
在Montezuma's Revenge等极端稀疏奖励游戏中，标准DQN得分接近零，直到引入高级探索策略后才取得突破
2
来源数
60%
置信度
长期有效
时效性
2026/8/6
首次发现
来源
相关事实
待验证通过值分布目标结合 DAgger 方法将搜索收益蒸馏回策略网络，带来 +0.045 的胜率提升（1,600 场对局，p = 0.007）63% 相似待验证在策略网络上叠加 1 层前瞻搜索后，胜率从 0.625 提升至 0.944（160 场成对对局，95% 置信区间 +0.24 到 +0.40）62% 相似待验证Mann-Whitney U检验显示朴素生存奖励下task_score跌破随机策略基线,p=0.01262% 相似待验证通用策略模型π_{0.5}在未经适配的真实部署场景中抓取成功率为0%61% 相似待验证若一道难题在采样中全部失败（pass@k约为0），奖励方差为零，梯度信号几乎消失，参数更新量趋近于零60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/694627API
curl https://kongchang.com/api/v1/knowledge/claims/694627MCP
get_claim(id=694627)