fix: render chapter 3.7 terminology table

Author: sanbuphy

docs/chapter03_mdp/algorithm-taxonomy.md

@@ -187,12 +187,12 @@ $$
 RL 和 Agentic RL 论文的标题里经常堆满缩写和黑话。下表列出最常见的术语及其含义，遇到时可以快速对照。
 
 | 术语                    | 全称                                       | 含义                                                                                               |
-| ----------------------- | ------------------------------------------ | -------------------------------------------------------------------------------------------------- | ----------------------------------------------------- |
+| ----------------------- | ------------------------------------------ | -------------------------------------------------------------------------------------------------- |
 | **On-policy**           | —                                          | 训练数据由当前正在优化的策略亲自产生。数据用过一轮后通常丢弃。                                     |
 | **Off-policy**          | —                                          | 训练数据可以来自旧策略或其他来源，与当前优化的目标策略不同。数据可反复复用。                       |
 | **Online RL**           | —                                          | 训练过程中智能体持续与环境交互，数据集不断增长。                                                   |
 | **Offline RL**          | —                                          | 训练前数据集已固定，训练中不允许再与环境交互。                                                     |
-| **Model-based**         | —                                          | 算法显式学习或使用环境模型（状态转移 $P(s'                                                         | s,a)$ 和奖励 $R(s,a)$），用模型做规划或生成模拟数据。 |
+| **Model-based**         | —                                          | 算法显式学习或使用环境模型（状态转移 $P(s' \mid s,a)$ 和奖励 $R(s,a)$），用模型做规划或生成模拟数据。 |
 | **Model-free**          | —                                          | 不学习环境模型，直接从交互数据中估计价值函数或策略。                                               |
 | **Actor-Critic**        | —                                          | 架构模式：Actor（策略网络）负责选动作，Critic（价值网络）负责评估动作好坏，两者协同训练。          |
 | **SAC**                 | Soft Actor-Critic                          | Off-policy 的 Actor-Critic 算法，通过最大熵正则化鼓励策略保持随机性，提升探索和鲁棒性。            |
@@ -210,8 +210,6 @@ RL 和 Agentic RL 论文的标题里经常堆满缩写和黑话。下表列出
 
 ## 参考文献
 
-## 参考文献
-
 [^sutton-barto]: Sutton, R. S., & Barto, A. G. (2018). _Reinforcement Learning: An Introduction_ (2nd ed.). MIT Press. 参见第 5.5、5.7、6.4、6.5 章关于 off-policy prediction、off-policy control、Sarsa 和 Q-learning 的讨论。MIT Press 页面：<https://mitpress.mit.edu/9780262039246/reinforcement-learning/>
 
 [^watkins1992]: Watkins, C. J. C. H., & Dayan, P. (1992). Q-learning. _Machine Learning_, 8, 279-292. <https://www.gatsby.ucl.ac.uk/~dayan/papers/wd92.html>