待验证50% 置信事实精确时间
无模型强化学习方法（如Q-Learning、PPO）直接从与环境的交互中学习策略或价值函数，不显式建模环境的动态规律
1
来源数
50%
置信度
长期有效
时效性
2026/9/11
首次发现
来源
涉及实体
引用此条事实
Stable URI
https://kongchang.com/claim/902769API
curl https://kongchang.com/api/v1/knowledge/claims/902769MCP
get_claim(id=902769)