（来源：上观新闻）
**六、🌿不只是📙纸上谈兵🎻👨：在经典游戏🥈控制任务上的验证🇲🇱** 为🌱了排除"成🇦🇽🍻功可能只💢是因为在某🍪🇮🇪个特定训练框架下🦆的系统优化"🇹🇳🚯这一疑虑，研究团🏟🙎♂️队把SPPO移😬植到了📓五个经典的强化🚮学习控制任🏺务上：精🇹🇷密版Ca🗳🧙♀️rtPo💟le（控制杆子不🤥倒）、Moun🍗🌘tainC📵👪ar（让小车爬🧠上山）、Ho🅱pper（双足机🖇器人前进🇬🇾）、Lunar🇸🇩👍Lan🐄♈der（🥉🆖月球着陆器着陆🇲🇽）和Pendu⏯🔗lum（保持摆杆📠直立）🎵🇻🇳。
默认采用4层，🔠研究团队还测试☮🕛了2层2️⃣👐和6层的版😔🦌本🇲🇾。未来方🌋向几条，探索新📰维度的spa😨👹rsity（点名🇸🇷了Engram那⚽📖条线）、🕶低延迟架构、🚞长时程🇩🇪✨多轮ag🎥entic任务💖🧤、多模↖态、更🤣⚒好的数据cur🇮🇴👩👩👦👦第三方广告监测ation🌅。
第一个是🐌🙍♂️PaperBen⚗🔦ch，🇹🇴😞由Open🎌☎AI参与设计，🎭专门用来🙍🤲测试AI从头🍞🥛复现顶级机器学习🕢会议论🕴第三方广告监测文的能力🤣🚻。Q2：🇸🇷🕴PaperBe🇵🇼⛅nch测试的是什☑么，AI🇧🇮🈺科学家🇬🇵的表现如何？ 🛤🐶A：PaperB🈂⛪ench要✳求AI在24小🖌时内，⭐🙅从一篇机🔲器学习论文出发，🕴在没有原始代码👳♀️的情况下🚣♀️从零搭➖🤺建、运行并🎣🦁复现论文🐆😗的核心实🤜🕺验结果🇱🇸。
