"매 environment dynamics 의 learn 하나, 의 X 하나 — sample efficiency 의 vs simplicity 의 trade". Model-free (Q-learning, PPO) 매 reward signal 의 만으로 policy 의 update — simple 의 brittle. Model-based (Dreamer, MuZero) 매 world model 의 learn → 매 imagined rollout 의 train. 2026 의 Dreamer V3, EfficientZero, DayDreamer 의 robotics deployment — sample efficiency 의 1-2 orders.
매 핵심
매 dichotomy
Model-free: \pi(a|s) 또는 Q(s,a) 의 직접 learn. 매 transition p(s'|s,a) 의 access 의 X.
Model-based: \hat{p}(s'|s,a), \hat{r}(s,a) 의 learn → 매 plan / imagined rollout / Dyna-style.
defdyna_q(env,n_planning=10,episodes=500,alpha=0.1,gamma=0.99,eps=0.1):Q=defaultdict(lambda:np.zeros(env.action_space.n))model={}# (s,a) → (r, s')for_inrange(episodes):s,_=env.reset()done=Falsewhilenotdone:a=np.random.randint(env.action_space.n)ifnp.random.random()<eps \
elseint(np.argmax(Q[s]))s2,r,done,*_=env.step(a)Q[s][a]+=alpha*(r+gamma*Q[s2].max()-Q[s][a])model[(s,a)]=(r,s2)for_inrange(n_planning):# 매 imagined step(sp,ap),(rp,sp2)=random.choice(list(model.items())),Nonerp,sp2=model[(sp,ap)]Q[sp][ap]+=alpha*(rp+gamma*Q[sp2].max()-Q[sp][ap])s=s2
MuZero (planning sketch — value/policy net + MCTS)
# 매 environment 의 black-box; learned (representation, dynamics, prediction) heads# search 매 imagined trajectory 의 over MCTS — replay 매 (search policy, search value, n-step return)# 의 train. (full impl 매 muzero_general repo)
매 결정 기준
상황
Approach
Lots of cheap simulation
Model-free (PPO/SAC) — simpler
Real-robot, expensive samples
Model-based (Dreamer V3, TD-MPC2)
Discrete board game
MuZero — planning 의 wins
Continuous control benchmark
SAC or DreamerV3
Fast prototype
PPO — most stable, easiest to tune
Long-horizon planning
Model-based + planning
기본값: prototype 매 PPO. Sample 매 expensive — Dreamer V3 / TD-MPC2.
🔗 Graph
부모: Reinforcement Learning · Markov Decision Process
변형: PPO · SAC · Dreamer V3 · MuZero · TD-MPC2
응용: Sim-to-Real · Robotics RL · AlphaZero
Adjacent: World Model · Planning · Dyna-Q
🤖 LLM 활용
언제: trade-off explanation, algorithm choice, pseudocode skeleton.
언제 X: 매 hyperparameter — paper-specific 의 cross-check (Dreamer V3 매 sensitivity 의 paper 의 careful).
❌ 안티패턴
MBRL 의 default 의 reach: 매 cheap-sim 환경 의 PPO 의 win 매 simpler.
Imagined rollout 의 too-long horizon: 매 model error compounds — 5-15 step 의 typical.
MFRL 의 sparse reward 의 hope: 매 exploration 의 add (RND, ICM) — 또는 의 model-based 의 switch.
MuZero 의 small problem 의 use: 매 overkill — tabular Q 의 enough.
Single-seed report: 매 RL variance huge — 5+ seeds 의 IQM (Agarwal et al. 2021).