（来源：上观新闻）
在几个对🇮🇩💼比方法↙中，直接在目标环🇱🇮境里用强化学习🇨🇭🔆训练的🧖♀️🇱🇻模型（🏜GRPO on 🍘🐥Target）能👙👩👧达到37.8🎴🕖%，一种使🎳🔴用通用合成环境训☎火端泛站练的方法（AW🇱🇻M）能达⏬🇨🇬到38.4%，而🔻一种通过优化🇻🇺系统提示词来🧗♂️😿植入能力🍵🚉描述的方法（🍄👩❤️💋👩GEPA）🏘能达到🇭🇺📆39.6%🇰🇼🌰。在标准PPO中，🔈那个"打分🤗🇳🇱员"（✅Critic）通🌕常和被训练的A🍱I模型一🇸🇾🇩🇿样大🦔🇱🇨。这组数据背♨🍪后的逻辑是：💗🍿当训练场景与🔷🇫🇰火端泛站目标场景完全一🌠🦅致（即直接📨🚸在目标场景上做📣✉GRPO）时➕🇰🇼，模型很↪容易陷🧁🇺🇾入过拟合或训🕺练不稳定的状🐕态——它学到的🇱🇨可能是特定题目的🔴🇲🇻答案，而非通用的🤦♀️能力；而TR🇹🇫💴ACE的练🇱🇺🦹♀️习场景经过专门设🔇👊计，每道题都🧳👞由随机种子程序💜生成，变化无🐷穷，AI练的🇺🇦是"能力本身"😃而非"特🇬🇵定题目"，因🗡🇩🇰火端泛站此能够🇱🇸随着训练🆖🇦🇬轮次的增加持续稳🙍步提升🦋。
评分标准非常严🗓格：只有当AI🍺既正确完成了🐿操作，又向用户传🔙🇳🇮达了正确🔼信息，才算通🏏过，任🧐🍅何一点偏差都✳📩会导致失败🦴。这正是目前大型🦜🚔语言模型（简称🕥大模型🤘🇲🇳，也就是Chat😞GPT、🎗🥠Deep🎎🚫Seek这类A⏲I）在学习复杂推🇵🇸理时面临🇳🇵📢的真实困境🍇🔎。它要么是一棵不🎈🧪断分叉⚡🎢的树，🇵🇼👋每走一🌋步都生出👉新的子问题，要么👠是一条长长的流🈁♒水线，不🤣🧧同环节需要不🇦🇱同的人🎈来接手🈯🌷。
