（来源：上观新闻）
Q3：标🍈准PPO💠🇷🇸在推理训练中🇳🇴为什么会失败，🍱⏪具体是哪里出了问🇲🇽🌺题？ A：标准🇹🇹🍭PPO失🇰🇲败的核心原🕍😅因是"尾部效应🍛"——其内置的打🇷🇺分员（🏀🇯🇴家里怎么引诱蜘蛛出来Critic）⛴无法在几千步的推🍟理过程中有效分⚖配奖惩信号，而🧷🏬是一直等🏂到推理🛢接近结🎌📰尾才根据🎣🦋最后几行文字☎🇻🇦猜测结果，导🇩🇯💑致整个中间推🇪🇷理过程既收不到🎿🦑有效激励，也收不🇲🇰🇨🇷到有效惩罚🏢。
AI必须自己去猜🇦🇩🗻测究竟🇸🇨👩👩👧是哪一个行为导致🧶了最终的失败，🏁☺而当一个任务需要📣完成十🏛几个步骤时，这🤢🌛种猜测几乎无从下🦂👨🎨手👨❤️👨🇫🇮。GEPA则📍🥁在较早👨的阶段就趋于平缓🥽🕵️♀️家里怎么引诱蜘蛛出来，最终停留在3🇪🇺9.6👩🚀%🦠。
