（来源：上观新闻）
PAND🥭ASET 的构建🦌🙏过程，就像是一个🍙🐰大规模的"人工🇳🇺制造缺陷"实📰验🥙。当AI解🧗♀️一道数🇸🇲🚸学题时，它可能需🦈要连续输出🇩🇴几千个字的推理过🦌程——这就像一🇯🇲篇很长的🎌侦探调查报告🇦🇸。而SPPO仅使用🧗♂️2️⃣单个样本，综合🐛平均分达到了👵🉑48.06➡🌚，超过了GRP🗑🇯🇵O🐕😲。
矩阵的谱范数天🐪然不超过1🍕，残差传😅😛播套上硬上限，👨👨👦👦爆不起来👨🎓。研究团队将AI🌵科学家与非层级化🇹🇩🏴☠️的简单代👯理（在P❕🌿aper😮Bench上🥊🧞♀️对应Basic⛎Agent，在🇳🇨MLE-Benc👆🚧h Lite上对😛应AIDE）进🇱🇺🇪🇷行比较，发现即使🍭是去掉🐷❣文件即通道机制的⛷💅"残缺版"AI🕍🇸🇲科学家，在Pa😠🧤perBenc📪h上仍比Basi🎤🙈cAgen🍝t高出4.74分👼，在ML🐦💔E-Benc👨👩👧👨💼h L🚶♀️ite上的"高于🔤中位数率"和任意🛑奖牌率也分别高出⌨22.73和9.🏥09个百分🆕☄点🇹🇲🇰🇭。
过去很多人🌡🚵♀️认为，只要⛰🐎语言模型足够强大🇲🇫，给它更多时🇲🇹间和更多"思考"⛩💠机会，它就能自🦏然而然地完成更👩⚕️⏬复杂的任🦴信息流广告怎么投放务⚡🎐。GRPO🎸🏵因为每道题都🏴需要生成8个答案🚹🦴，训练🌓🇷🇴进程推🧜♀️🉐进得很🌟🥎慢🍮🇬🇶。前三个头使用交♎叉熵损失🔇😿函数（适🇸🇿🆙合分类任务🍝），第四个头使用🤯L1损失函数（✋☀适合数值😵🏈回归任务）🍙。
