SAC
UC Berkeley团队于2018年提出的最大熵强化学习算法，作为off-policy算法能复用历史经验，在探索-利用平衡上表现优异
核心事实
时间轴 (近 90 天)
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
对于涉及精细运动控制的《雨世界》环境，PPO和SAC通常是首选算法
Stable-Baselines3（SB3）基于PyTorch实现，采用模块化设计，内置PPO、SAC、DQN等算法
对于涉及精细运动控制的环境如《雨世界》，PPO和SAC通常是首选算法
SAC 是 Off-Policy 算法，通过最大化策略熵鼓励探索，样本效率通常优于 PPO，但在超参数敏感度和训练稳定性方面稍逊
Stable-Baselines3 基于 PyTorch 重构，提供工业级的 PPO、DQN、SAC 等算法实现
PPO（近端策略优化）以其训练稳定性成为连续控制任务的事实标准，SAC（软演员-评论家）通过最大熵框架在样本效率上具有优势
全部知识事实 (7)
Stable-Baselines3 基于 PyTorch 重构，提供工业级的 PPO、DQN、SAC 等算法实现
65%已验证PPO（近端策略优化）以其训练稳定性成为连续控制任务的事实标准，SAC（软演员-评论家）通过最大熵框架在样本效率上具有优势
65%待验证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
50%待验证对于涉及精细运动控制的《雨世界》环境，PPO和SAC通常是首选算法
50%待验证Stable-Baselines3（SB3）基于PyTorch实现，采用模块化设计，内置PPO、SAC、DQN等算法
50%待验证对于涉及精细运动控制的环境如《雨世界》，PPO和SAC通常是首选算法
50%待验证SAC 是 Off-Policy 算法，通过最大化策略熵鼓励探索，样本效率通常优于 PPO，但在超参数敏感度和训练稳定性方面稍逊
50%