TalentMe
⚡ 3阶闪卡
3,240
🛠️ 工具箱
15
📚 资源
🔍 检索
3,491
联系我们
🎁
预约免费初聊
💬 Discord
🌐
EN
☀️
登录
免费开始
➔
☰
← 复习路线图
🎮 强化学习 思维导图
38 个知识点 · 点击节点弹出结构化卡片
同色 = 同一指南主题。悬停节点点亮依赖链,支持搜索与拖拽缩放。右上角可导出 PNG 或全屏查看。
⬇ 深色 PNG
⬇ 浅色 PNG
⛶ 全屏
RL 理论基础
深度 RL 算法
多臂老虎机 MAB
RLVR 可验证奖励
Offline 分布偏移
世界模型学习
具身智能 V-JEPA/扩散策略(跨模
块)
GRPO 组相对优化(跨模块)
思维链与推理(跨模块)
MDP 与 Bellman 方程
MDP 与 Bellman 方程
点击查看定义和考点
价值迭代 vs 策略迭代
价值迭代 vs 策略迭代
点击查看定义和考点
蒙特卡洛 vs 时序差分
蒙特卡洛 vs 时序差分
点击查看定义和考点
Q-Learning 离策略
Q-Learning 离策略
点击查看定义和考点
探索-利用权衡
探索-利用权衡
点击查看定义和考点
策略梯度 REINFORCE
策略梯度 REINFORCE
点击查看定义和考点
TRPO 与 PPO 脉络
TRPO 与 PPO 脉络
点击查看定义和考点
DQN 三件套
DQN 三件套
点击查看定义和考点
Actor-Critic 框架
Actor-Critic 框架
点击查看定义和考点
PPO 截断目标
PPO 截断目标
点击查看定义和考点
SAC 最大熵
SAC 最大熵
点击查看定义和考点
多智能体 CTDE/MAPPO
多智能体 CTDE/MAPPO
点击查看定义和考点
多臂老虎机 MAB
多臂老虎机 MAB
点击查看定义和考点
UCB1 乐观估计
UCB1 乐观估计
点击查看定义和考点
Thompson 采样
Thompson 采样
点击查看定义和考点
上下文老虎机
上下文老虎机
点击查看定义和考点
Slate/组合老虎机
Slate/组合老虎机
点击查看定义和考点
长效留存延迟奖励
长效留存延迟奖励
点击查看定义和考点
RLVR 可验证奖励
RLVR 可验证奖励
点击查看定义和考点
奖励设计与 Hacking
奖励设计与 Hacking
点击查看定义和考点
过程奖励 PRM(跨模块)
过程奖励 PRM(跨模块)
点击查看定义和考点
MCTS 规划(跨模块)
MCTS 规划(跨模块)
点击查看定义和考点
Offline 分布偏移
Offline 分布偏移
点击查看定义和考点
行为克隆 BC
行为克隆 BC
点击查看定义和考点
GAIL 与逆向 RL
GAIL 与逆向 RL
点击查看定义和考点
CQL 保守 Q 学习
CQL 保守 Q 学习
点击查看定义和考点
IQL expectile 回归
IQL expectile 回归
点击查看定义和考点
离线到在线微调
离线到在线微调
点击查看定义和考点
世界模型学习
世界模型学习
点击查看定义和考点
Dyna 架构
Dyna 架构
点击查看定义和考点
MPC 规划
MPC 规划
点击查看定义和考点
MuZero 潜在模型
MuZero 潜在模型
点击查看定义和考点
Dreamer RSSM
Dreamer RSSM
点击查看定义和考点
基于模型 vs 无模型
基于模型 vs 无模型
点击查看定义和考点
具身智能 V-JEPA/扩散策略(跨模块)
具身智能 V-JEPA/扩散策略(跨模
块)
点击查看定义和考点
GRPO 组相对优化(跨模块)
GRPO 组相对优化(跨模块)
点击查看定义和考点
DPO 偏好对齐(跨模块)
DPO 偏好对齐(跨模块)
点击查看定义和考点
思维链与推理(跨模块)
思维链与推理(跨模块)
点击查看定义和考点
+
100%
−
自适应
100%
🖱️ 可拖拽平移画布 · 悬停点亮知识依赖链 · 点击打开知识卡
MDP 与 Bellman 方程
多臂老虎机 MAB
RLVR 可验证奖励
Offline 分布偏移
世界模型学习
具身智能 V-JEPA/扩散策略(跨模块)
GRPO 组相对优化(跨模块)
思维链与推理(跨模块)
⚡
闪卡
🧭
知识库
🛠️
工具箱
🎯
1v1辅导
👤
登录