待验证50% 置信事实精确时间
Q-Learning 是 off-policy 的 TD 控制方法，直接学习最优动作价值函数；SARSA 是 on-policy 方法，更新时使用智能体实际选择的下一个动作
1
来源数
50%
置信度
长期有效
时效性
2026/8/26
首次发现
来源
涉及实体
相关事实
待验证Q-Learning 与 SARSA 的核心区别在于更新目标中是取 max（Q-Learning）还是取实际执行的动作值（SARSA），SARSA 在悬崖行走等环境中会学习到更保守但更安全的策略78% 相似待验证off-policy算法（如SAC、DQN）可以用任意策略采集的数据训练，能维护百万级经验回放池反复学习，样本效率高于on-policy方法64% 相似已验证量化感知训练（QAT）在训练过程中模拟量化误差反向传播，效果通常优于训练后量化（PTQ）61% 相似待验证QK Normalization（对Attention中的Query和Key分别做LayerNorm）被证明能显著提升超大规模模型的训练稳定性，已被Gemma 2等模型采用57% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/805330API
curl https://kongchang.com/api/v1/knowledge/claims/805330MCP
get_claim(id=805330)