四个算法怎么选
Tomov、Schulz、Gershman：Multi-Task Reinforcement Learning in Humans（2019）。不用先玩任务，直接拖动价格，看四种策略各自算了什么、选了哪间。
试玩任务
训练过程：如果在第 t 轮之后就来考试
训练共 100 轮，四种价格各 25 轮，顺序随机。拖动 t，上面四个模型只用前 t 轮的经验来答题。t = 100 就是论文里的第 101 轮测试。
房间里有什么（表 1）
只有 9 个终点房间（5–13）有资源，数量在整个实验里不变。走法固定：开始 → 房间 2/3/4 → 各自通向 3 个终点（2 → 5、6、7；3 → 8、9、10；4 → 11、12、13）。
这页怎么算的
论文的预测（各图 B）是让四个学习程序在任务里各跑 100 次得到的；完整实现在作者的补充材料和 github.com/tomov/MTRL。这一页用的是按正文描述的“学完以后”的理想版本，只为说清每种策略看什么、算什么：
- 基于模型：知道全部 9 个房间里有什么，用今天的价格逐个算 φ(s)·w，挑最大的。
- 无模型：不看今天的价格，只记每个房间在训练里平均挣多少（假设每间都试过足够多次），挑平均最高的。
- UVFA：学一个把价格也当输入的价值函数 Q(s, w)。这里用最简单的线性版：每个房间学一个系数向量 θ(s)，让 θ(s)·w 拟合训练中的收益，取最小范数解。训练里第三种资源的价格一直是 0，所以 θ 的第三位学不到，只能是 0。
- SF&GPI：训练中每种价格都练出一条最优路线；每条路线记住它的后继特征 ψ（走到底能拿到多少①②③）。考试时只把这几条路线用新价格算 ψ·w，挑最大的。折扣 γ 对每条路线都一样（都是两步），比较时可以略去。