（来源：上观新闻）
在后训🕵练阶段📛💅，V4这一代做☸了一次方法论替🇼🇫🇦🇱换，传统的mix📔ed RL阶段🇲🇨📽被On-Poli🌝cy 😁🔨Dis🇧🇬🎽tillatio🤣n（OP🇬🇪👩⚖️D）完全替代🤐👻。有兴趣追踪后🚫续进展🇲🇫👨❤️👨的读者🇦🇸，可以🇧🇭🛍通过arXiv编🗳✔号2604.🚫❔05336🇸🇮关注这个🍇研究方向🏗的最新动态，也可♒🦃以访问研究团队公🤑🌾开的代码🐭🇹🇿仓库进行实际测👏试☝。研究团队🚪🇹🇨认为，自主🐠🇰🇼长周期机器学习研👱♀️🇭🇳究工程❤本质上是一🦙个**系💡👢统协调问题**🖥，而不仅👆🖼仅是一个**局🇨🇩部推理😿🥺泛目录泛域名问题**🗳。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🚤。
和OpenCla🇫🇰🍫泛目录泛域名w一样，He🇱🇧👴rme🈳🥉s也是个开🎑👩❤️👩源的Ag🇳🇦🧱ent项目，由💍🔚Nous Res🌸ear🇰🇳👕ch团队于2月2🇪🇬5日推出🧚♀️♒。保持独立适配器🕘🦟，在使📜🌞用时根据🌗👩🏫任务类型动🈚⛔态选择对应的适配⬇器，能让🏟🤰每种能力都维持最🎅🏴☠️佳状态😝🇱🇰，整体通过率比最🦒强合并方案高出🥺6.1个百分点🎨。”刘岩指出，“因⛰为恶意🤨🏒行为不是外部植入🥯➡的，而💩是Agen🍢🔸t从环境中自💀♥我演化出来的☠🤼♀️。二、四步🏝走的"诊断🇵🇹-补课"✝流程：TRACE🇵🇸是怎么工作的 👼🕘TRAC🇧🇯E系统👁️🗨️🇵🇰的运作方式可以🤵用一位经验丰富的🇱🇰🌵辅导老📟🔋师来类比理解🕵。
