随着现实世界量子计算的出现，参数化量子计算可用作量子-经典机器学习系统中的假设族的想法越来越受到关注。这种混合系统已经显示出在监督和生成学习中解决现实世界任务的潜力，最近的研究已经证实了它们在特殊人工任务中的优势。然而，在强化学习的情况下，这可以说是最具挑战性的，学习提升将非常有价值，没有任何提案能够成功解决甚至标准的基准测试任务，也没有显示出优于经典算法的理论学习优势。在这项工作中，我们实现了两者。我们提出了一种使用极少量子位的混合量子-经典强化学习模型，我们表明可以有效地训练该模型来解决几个标准基准测试环境。此外，我们展示并正式证明了参数化量子电路能够解决某些学习任务，这些任务对于经典模型（包括当前最先进的深度神经网络）来说是难以解决的，在人们普遍认为的离散对数问题的经典难度下。