（来源：上观新闻）
五、训练越多真😥🛍的越好🦹♂️吗：TRAC🍯😯E的扩展规律 5️⃣研究团队还专门研😈究了一个很实际的👩👧👦🇳🇫问题：🚍🧧增加训练资🛎🦏源（更📒多的模拟对话🗻轮次，或者💽🖌训练更🔆👵多的能力）🙆🚜，带来的收💻益是否能持续增长🇹🇯🤦♂️？ 从能力数🚷⤵量的角👚🎲度看，TRAC🐬E在覆盖1种、2🇯🇲种、4种👨🔧⚔能力时，通过🍃率分别约为40.🤽♀️👀3%、43👮%、47%🧗♀️🙏，呈现出👯稳定的递进式🔲提升㊙。
首先是⬜🤞"有效性"：图谱🎳🕯中的每条比较关系😙，必须连接🇺🇬来自两张不同🇱🇦图片的对应😱📒区域，不🎁能拿同一张🇧🇿🧁图片的不同区域相🍗互比较🆘。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（G🌝RPO on👾🌐 Tar🇦🇲👄sem投放get）能达到3⏱7.8%🐯，一种使用通🦇用合成环境训练的👏0️⃣方法（AWM）🍬🌀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🙆♂️🇮🇷%🏳。
**十一😥🥬、研究的局限⛺与未来方向*🇮🇲🦍* 研究团队对🔦这项工作的👩🚒🚎局限性保持了坦诚👨❤️👨的态度🇺🇲🎩。V4还引入了🕝📧三档re🤱asoning🐋 effort👏 mode，N🏤💁on-thin🤤🧟♂️k、Thin🇧🇮🌉k Hig💔h、T🛹🐩hink Ma🛏🇳🇱x，每档输出长度🇰🇵不同🍔。也因此🤰，内容不再重要，🆔🌄重要的是🇭🇺◻能否实现薄利多销🎆。结果显示，💴4层是一个甜蜜🦗点——既足够🍖深以捕捉复杂的跨🦄图像区域😈⛏对应关系，🏉又不会🧠🏞因层数过👲多而导致过拟🦠🎵合或训练🧳👺困难🔃。
