掼蛋自我博弈中的“预测-优化”鸿沟

掼蛋自我博弈研究揭示了强化学习中的“预测-优化鸿沟”，证实具备预测效用的比赛进展信号无法提供可靠的优化方向。研究在 DanZero 风格的蒙特卡洛自我博弈中引入冻结胜率预测器变化量 $\Delta\Phi$ 作为监督干预；尽管单个检查点大幅超越基准，但在方法层面预注册的 5 个复现种子无一为正，汇总的 10 种子区间包含 0。