通俗解释
离线强化学习不能再和环境交互，只能用历史数据。普通 Q 学习会高估数据里没出现过的动作，然后策略就去选这些“想象中很好”的动作。CQL 在损失里额外压低这些动作的 Q 值，得到一个保守的下界，让策略留在数据覆盖的范围内。
用在哪里：推荐、医疗、机器人等只能用历史数据的场景；D4RL 基准
01原始论文
Conservative Q-Learning for Offline Reinforcement Learning
Aviral Kumar, Aurick Zhou, George Tucker, et al. · 2020
arXiv ↗ ✓ 已核实 · arXiv API
02知识位置
左边先学；右边是学完它之后可以学的。
相关：Decision Transformer软演员-评论家 SAC
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-22。
- JSON: /api/learn/algorithms.json (id:
cql)