一句话定义
基于模型的强化学习（Model-Based Reinforcement Learning，MBRL）是指：智能体先从与真实环境交互的数据里学出一个“环境模型”，再借助这个模型做规划、生成虚拟经验，从而用更少的真实试错学会做事。
打个比方：先在脑子里彩排
新手学倒车入库，有两种练法。第一种直接上车，撞了就重来，练上一百次手感自然长出来——这就是无模型（model-free）强化学习：不关心世界运行的规律，只死记“在这个位置打多少方向盘，接下来会发生什么”。
第二种是先在脑子里建一个粗糙的“车＋方向盘＋墙”的模型：打半圈车尾往哪摆、离墙还有多远。然后闭着眼在脑子里推演十遍，挑一条最不像要撞的路线，再上车试一次。真车只动了一次，脑子里已经练了十次——这就是 MBRL 样本效率的来源。
典型循环分四步：真实交互收集数据 → 学动态模型（预测“执行这个动作后下一个状态是什么、拿到多少奖励”）→ 用模型做规划（planning，比如滚动优化、树搜索；或者像 Dyna 那样把模型生成的虚拟经验混进训练集）→ 执行、拿新数据、修模型。
真正的难点：模型会骗人
MBRL 的软肋在于“模型学错了还挺自信”。推演一步的误差很小，推演二十步可能就荒谬了；更麻烦的是，智能体会精准地找到模型出错的地方并加以利用，而规划器的最优解往往正好落在模型最不准的区域。这就是模型偏差（model bias）和误差累积（compounding error）。通用对策也不神秘：用多个模型投票、只做短程推演、对高不确定区域打折、永远留一条真实数据的“生命线”。
和几个相近概念的区别
| 概念 | 有没有模型 | 模型拿来干嘛 |
|---|---|---|
| 无模型 RL（Model-Free RL） | 没有 | —— |
| 基于模型的 RL（MBRL） | 有，学出来的 | 做规划、生成虚拟经验，省真实样本 |
| 世界模型（AI 词典：World Model">World Model） | 有，常是潜空间的压缩表示 | 预测未来表征、在“想象”中训练，也用于生成 |
| MuZero 这类算法 | 有，但不还原观测 | 只在潜空间里支撑树搜索做决策 |
世界模型是范围更大的概念：它更强调“对世界的高层压缩理解”，落地用途也更广，未必只服务于决策。MuZero 则是混合体——它确实学了动态模型，但那个模型不为重建画面服务，只为规划服务；也正因如此，它不需要知道游戏规则。
对从业者的实际意义
判断要不要上 MBRL，看一条：真实试错有多贵。机器人、自动驾驶、工业控制、医疗这类场景，一次失败代价高昂，样本效率就是命门；而有廉价高保真模拟器的地方（游戏、推荐系统），无模型方法大规模并行反而更省心。所谓 sim-to-real gap（仿真到现实的落差），本质就是模型偏差的另一个名字。
一句话收尾：MBRL 是拿“算计”换“试错”，模型准就赚，模型飘就亏，所以工程上的大部分功夫，花在让它知道自己什么时候不知道。具体算法与超参选择，以各框架官方页面为准。