待验证50% 置信解决方案精确时间
Dreamer的策略学习采用Actor-Critic框架：Actor根据想象出的潜在状态s_t输出动作分布，Critic估计该状态的价值；梯度通过世界模型的潜在轨迹回传，但世界模型参数通常被冻结以避免策略优化信号污染世界模型的学习目标，从而保持训练稳定。
1
来源数
50%
置信度
长期有效
时效性
2026/10/12
首次发现
来源
涉及实体
相关事实
待验证自我反思通过让模型评估自身输出质量并迭代改进来实现，Reflexion框架展示了Agent可以从失败尝试中学习并在下一轮迭代中调整策略71% 相似待验证冻结世界模型训练策略的代价是：如果世界模型本身有偏差，策略会针对偏差过拟合，即出现'模型利用'（model exploitation）现象。71% 相似待验证下一视角预测作为训练目标能迫使模型学习空间一致性、视角变换关系以及场景的隐含结构70% 相似待验证预测能力通常通过学习转移模型实现：给定当前状态和动作，模型预测下一状态69% 相似待验证传统草稿模型训练方案需要消费目标模型的隐藏状态并在目标模型logits上进行蒸馏，产生对目标模型的强绑定依赖69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1011065API
curl https://kongchang.com/api/v1/knowledge/claims/1011065MCP
get_claim(id=1011065)