（来源：上观新闻）
举个最小的例👨👨👦👦🇹🇩子🎺。研究团队测试了一🆕种极端组合：🥬🦎用一个只有15🍫亿参数的小模🚁👨👧👧型（DeepS🇫🇯👨👩👦👦eek7️⃣🛅-R1-🍞🏉Distil🗑🤦♀️l-Qwe🇦🇴n-1☦🕷.5B）作为📊价值模型🥀🏴，去辅助训🎅🔜练一个70🏮亿参数的大模📰⏪型（De🎹🦁epSee🇸🇮k-R1-D👩🎓🇦🇩istill-📑Qwen-7🧞♂️B）☔☕。
据了解，这种🍾“人味”背后，是🍗🚅动易科技采用💈多阶段强化学📂习训练出的一套自🚴♀️🇱🇺主控制系统——让😹🚫蜘蛛繁殖能力强吗机器人像小孩学🇦🇿球一样分阶段练🧼🏤，最终🐏🇷🇴练出一种😀能实时决策的“球🗃感”🥒♾️。默认配置↕使用 💗🥝DINOv2（🛎小型版🎪🇧🇻本，ViT-📖s，384维特征👈🌩），研究🇦🇪团队还测试了 D🥺INOv0️⃣2（基🇲🇨🖲础版本，Vi🍁T-b，768🇨🇩维特征🇲🇩🦝）和 🎴🏐Sig🚶♀️🔨LIP🚑🏃♀️（768维）🔙‼的效果🈴。
任务规则非👳♀️🇰🇿常严格：给A🏴I一篇论🌏🧽文、一个配有G👃🇼🇸PU的空🥒🧞♀️白Do⚫🧦cker容🥀器和24小时时🐯↗间，不能使用作🇷🇴者的原始🤼♀️代码，必须自己从🇰🇮📛零开始♾️😨搭建、运行并得🇦🇹出与论文匹配的🎃🔤实验结果🇳🇦👨🔬。研究团队测试了🇨🇳用15亿参数模型🧛♀️作为价值模型来👶🥀辅助训练70亿🌌😊参数主模型，两者🐏相差约4.7👽倍🤮🈂。
