待验证50% 置信事实精确时间
SAC由Tuomas Haarnoja等人在2018年提出，是最大熵强化学习框架的代表算法，属于off-policy算法，样本效率高于PPO
1
来源数
50%
置信度
长期有效
时效性
2026/8/27
首次发现
来源
涉及实体
相关事实
待验证KL散度应用于VAE的ELBO推导、知识蒸馏的软标签学习以及TRPO/PPO强化学习算法的策略更新约束65% 相似待验证GNoME采用主动学习策略，迭代式地生成候选、预测稳定性、筛选最有价值结构送入DFT计算验证，再更新模型62% 相似待验证SPLADE 是一种学习型稀疏检索模型，通过神经网络为文档生成稀疏向量表示，可在倒排索引上高效运行61% 相似待验证基于模型的强化学习在样本效率上通常比无模型方法高出一个数量级以上，代表性算法包括Dyna、MBPO和Dreamer系列60% 相似待验证现代大语言模型基于Transformer架构，通过预测下一个token的概率分布来生成文本，训练目标是最小化交叉熵损失60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/807975API
curl https://kongchang.com/api/v1/knowledge/claims/807975MCP
get_claim(id=807975)