（来源：上观新闻）
训练方式是一种📲叫做GRPO的👨👨👧👦强化学习❤🇵🇬算法：AI🥟在练习🦡🤲场景中一🇧🇦📧次生成多个不🥓同的答案🚩🐊，系统根据🏤每个答案的好坏给📬🐀出分数，然后🤘👍通过对比组内分🇹🇩🚢数的高低来计算🤪每个答🗃👥案应该被🌓强化还🇭🇳是削弱🌾。数学任🍊😏务向数学e📚xper📑t靠，⌛编程任务向编程🚬expert靠🧥百度竞价推广。这些操作包括：S🥂😀pac🦢👶eX向电动汽👨👧👧车公司特斯拉🚍提供贷⛹🙅款(当时特斯拉⛺急需资金)；向😠💻太阳能🖍公司So💝💀larC🐸🇹🇱ity注资(🇳🇪这家公司处境👋艰难，而马斯🐕🗃克持有大😘量股份🏜🤖)；以及收😇🚴♀️购他旗🧦下烧钱的🇬🇼🇬🇩AI创业公司xA🎆I🇲🇴🇹🇨。
3. 🇨🇺与世界交互并自📸🎬我进化 这是W😭🏪UM架构与所🇲🇱有VLA模🇦🇹型最根本👰的区别🍴。当AI作答完🍵毕，得🥒到"对（🐟🖊1分）⏸🚁"或"📃错（0分）🧥🙎♂️"的结果后，🌏SPP🇲🇭O用一个极简📆的公式计算优势信🔀🌂号：实际结果👩👧👦减去预估🤦♀️🍹概率😣。王昊在发⏫🉐布会上提出了两个👨🎨很有趣的🐟☢概念：“🗼糖水数据👨👩👧👧🇸🇲”与“牛奶数据”🈴。
