实验室 .

观察奖励曲线，再播放这个模型自己学到的策略。

选择代表环境，比较状态、动作与训练反馈。

让随机、贪心和 UCB 在同一组老虎机上做选择。

从一张价值表出发，看到路径怎样一步步形成。

对照 DQN 与 Double DQN，拆开回放与目标网络。

在同一个 CartPole 中，比较回报与优势带来的更新。

动作从左与右变成连续力矩，观察 Actor 与 Critic。

从编译更新函数开始，观察训练与策略回放。

从小型射击场景中训练，查看当前策略的真实回放。

使用帧堆叠与 CNN，让 DQN 从游戏画面中学习。

在真实 Minecraft 模拟器中，训练第一人称视觉策略。

选择小狗捡树枝或其他场景，观察 PPO 学到的行为。

从小迷宫开始，观察稀疏奖励与探索行为。

在合作与竞争场景中，训练共享参数的策略。

从井字棋与小型扑克开始，观察策略怎样相互影响。

只用一份固定数据，检查策略是否被分布外估计误导。

从零训练微型 GRU，再用成对偏好实际更新语言模型参数。

手算一组回答的奖励与优势，检验规则验证器。

训练受限调用语言的小型 GRU，再将调用渲染为 JSON 并执行模拟工具。

工具返回后继续决策，检查终局奖励怎样更新早期动作。

选择补丁、真实执行 Python 测试，再检查独立样例。

在合成公司数据库中调用 SQL 和计算器，完成多轮分析。

在固定教学语料中学习检索词与证据选择，分开检查答案和引用。

在小型点质量环境中，学习动作怎样改变未来。

从机器人任务出发，训练并回放当前模型的动作。

进入可交互房间，让智能体根据画面选择移动方向。