策略梯度：REINFORCE 与方差RL2026年6月21日·5 分钟阅读策略梯度：REINFORCE 与方差直接优化 \(\mathbb{E}[G_t \nabla \log \pi_\theta]\)；完整轨迹 return 方差随 horizon 爆炸，baseline 和 critic 是刚需。#强化学习#策略梯度#REINFORCEREAD →
