arXiv Artificial Intelligence· Yingjun Mo, Yajie Zhao, Fang Kong·2026-10-15 12:00· 18 小时前AI 评分24

从策略评估到离策略控制：Transformer 上下文 Q-Learning 的可证明涌现

From Policy Evaluation to Off-Policy Control: Provable Emergence of In-Context Q-Learning

AI 导读

研究证明两层纯注意力 Transformer 可实现有限温度形式的 Q-learning，温度 τ>0 控制对贪婪动作选择的近似，τ→0 时退化为 window Q-learning。