（来源：上观新闻）
当然，这个系统🥪离人类顶尖研究🥨人员的水平还有🇵🇰距离——☪在PaperBe🔀🙃nch上🈂，顶尖🤜🐱机器学习博士🛡🀄生在4🔫🇸🇴8小时内能💙⬇完成约41🏍🤧%的评🎺🦓分要求，而A📇📢I科学家目🍲前达到的是约🇶🇦33.73👩👩👧👦🦖%👩👧👦📼。”实测后虽然🐑🙁觉得H🥒erm🐂es有其优点，💛但人工大黑👨👨👧👟还是泼🤹♀️了一盆冷水🇱🇧🚺。但他后🕴来与此言💞论保持了距离📋🌰。即便拥💗抱AI，📞♟️研究的🐨也是如何替🍲代一切可替代👒的人，而不是如何🤱🚏提升内容质量📰。从训练速度的角🐆🐌度来看，差距更为🧂🇨🇼直观🤒♈。
Kimi👨❤️💋👨 的设🇱🇹👩🏫计逻辑是需要在安🥈🥛装 Op4️⃣🦋enCl👨🍳aw 的那🕴台主机上执行一😌🖥段 Bas📱h 脚本：🕕 执行完脚本之后🗣，在其他地😙引蜘蛛软件方安装的🕺🔉 OpenCl💇🚇aw，也会显示🌒🙍到 K😢imi 🦊Claw 中🇩🇰。这个目🇱🇦🤗标并非单一目⬛标，而是几个不⤴✡同设计目标的🚅🇵🇰组合（功耗、性🇸🇱🤭能和面积，💘😯即 PPA；👦功能约束；🇧🇷以及架构输入）🚭🈷。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🥽GRPO）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TR🇦🇽ACE🧫😺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，AI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🕰🏳。
曾利用特斯🧚♀️拉 在🌇🈶从Sp🌊ace🛅X借款之🖋前，马斯克在🕷👨🎓其上市公⚾司特斯拉身上也采🇻🇪🌼取过类👩👧似做法©。换句话说，当📲任务需要跨越多轮©🥝实验、不断从之🚹💠前的诊断中🌥👨👦学习时，丢失🍿中间状态的代🐅🦞价就会急剧🧬放大🖇🚭。Q&A Q🇨🇰🛢1：T🔂RACE系统🇧🇯🤼♂️是如何识别A✝👛I助手的薄弱能力📖的？ A💃🦁：TRA🦎📔CE通⭕🅰过对比🙉AI助手的成功记🔟🎞录和失败记录来🇪🇷🐄识别薄弱能力😉✳。
