待验证50% 置信观点精确时间
Mattick 提出区分：如果数据收集在循环内叫基于模型的RL，如果在循环外叫世界模型；Schmidhuber 的原始世界模型论文本质是基于模型的强化学习
1
来源数
50%
置信度
长期有效
时效性
2026/10/3
首次发现
来源
涉及实体
相关事实
待验证模型化强化学习（Model-based RL）通过学习环境的动态模型来提升样本效率，减少对真实交互的依赖70% 相似已验证世界模型本质上是学习环境的动力学方程——给定当前状态和动作，预测下一个状态69% 相似待验证Yann LeCun 等人主张模型需要理解世界的因果结构和物理规律，将世界模型推广为构建通用人工智能的必要组件68% 相似待验证Anthropic的理论将ICL解读为贝叶斯推断——模型在上下文中看到示例实际上是在更新其对任务分布的后验概率估计67% 相似待验证物理模型与数据驱动模型的结合在机器人领域被称为「混合建模」或「残差学习」，典型方式是物理模型给出基准预测、神经网络学习残差误差67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/969698API
curl https://kongchang.com/api/v1/knowledge/claims/969698MCP
get_claim(id=969698)