概念Model-Based Reinforcement Learning / 基于模型的强化学习
MBRL
强化学习的一大范式，智能体通过构建环境世界模型在内部模拟中学习策略，相比无模型方法大幅提升样本效率，代表系统包括DreamerV3等
时间轴 (近 90 天)
11月1日
统一接口在MBRL社区有需求，因为学术界和工业界实现碎片化严重，同一算法在不同代码库中存在影响复现的差异。
待验证50%
10月28日
传统基于模型的强化学习（MBRL）通常依赖显式世界模型来预测未来状态，如重建下一帧图像。
待验证50%
10月27日
应对世界模型复合误差的策略包括：缩短模型展开的规划视界、在模型不确定性高时回退到真实环境交互、以及使用集成模型来估计预测不确定性。
待验证50%
10月9日
基于模型的强化学习（MBRL）让智能体通过在世界模型中空转积累经验，可将数据效率提升数个数量级
待验证50%
10月5日
在想象中学习的范式在强化学习领域被称为基于模型的强化学习（MBRL）
待验证50%