（来源：上观新闻）
一个训练😔了两个万🧞♀️🚋亿参数MoE的🛠🗒团队公🐼开承认「我们不知🦁👩🚀道为什么这两个💥🦅trick管用」🕒🦐，在2🐦026🛹年已经是一件挺🆑🍸稀罕的事🛵🇩🇲。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🍏🥅谷粉搜索谷歌搜索引擎入口信息，才算通过，📭🚅任何一点偏⏹差都会导致👅失败🇸🇦👱。”咖啡香里，📍🐶焦虑与期待交🎵👷织🇸🇽。具体来说🕔，失真图处理的🥈⚖是一对图像—🌽—一张叫做"🎾锚图"（anc🇬🇳hor，🏍可以理👪🤣谷粉搜索谷歌搜索引擎入口解为参照图⛄），另一张👨🎨叫做"目🤛标图"（🇻🇮👨👧tar🐃get，🇰🇲😼即被比🇨🇳较的图）💵。
从训练轮次的角度🥄看，以τ?-👩👩👧👧Ben🏓🇬🇵ch为例，🏆🌉TRACE在不🤝❣断增加训练轮次🌻时通过率持续🍘🆗稳定上升，从0轮🇿🇲次的32🚘🇾🇹.9%一路攀升🤤🚬到5120👨👨👦☠轮次时的🤸♂️🐷47.0%，🇨🇻🍠曲线几乎是一条🗂🤛平滑向上的折线🗽。GEPA则在🔔🇦🇼较早的🧠阶段就趋于平缓，🌙📊最终停留在3🏸😯9.6%😙。这组数据🇲🇪🇸🇾背后的逻🎯🈹辑是：当训练场景😖🔏与目标场📫景完全一致🍣🐨（即直接在目🚈标场景上做GR♥🧫PO）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💛TRACE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，A🙁I练的是"能力➖本身"而非"特▫定题目"🇨🇺，因此能🛬够随着训练轮次的🇱🇮增加持续稳😥♊步提升👬🇸🇸。
