（来源：上观新闻）
当然，🚲🚅这项研究也🧥📊坦诚地🔈指出了自身的局限🇲🇱：SPPO的设😒计前提是🤙🤼♂️存在一个明确的对🐢错判断—😎—数学🇹🇳题是否答正确🍈👟。02.🦅 WALL👔🎸-B：从VLA到🌧🇧🇲WUM，一次😍👨👨👦👦架构级的“越狱”🦟➿ 要理解WALL🇵🇦🤓-B的意🚡🐫义，首🤹♀️先要理解它取🔅代了什🐩么🤜👟。一个可能的流程变🔘🎴化是将验证工作🕹前置，以🇪🇪👨👩👦👦便为 🌍🍝DC 提供某🇲🇦🥾种集成👨🚀🦂测试，以♏🥐指导其 RT🤷♂️L 实现👺🏴。具体来🇧🇱说，失真图处⛈🚷理的是一🇯🇴对图像——一张🇬🇪🆔叫做"锚🐝🇷🇸图"（anc™💤hor，可以理🌌解为参照图🤫🇧🇯），另一张叫做"📠🇹🇭目标图"（t🤢arget🤸♀️，即被🔡😍比较的🌖♓图）😇。
GRPO的成功🧑🔖，本质上🎛🈸是这种🧘♀️框架切换的成功，🦄而非多采样的必然⚔功劳🇲🇨。一些细节🎲⏸微调包括，af🐍finit🧷🔋y sco🚟re的激活函数🚫从Sigmo🧸🖖id换成👙🅾了Sqrt(S🌃📢oftplus(⭕🍌·))，去掉了🚒🇰🇳rou🇬🇮tin🇬🇱g tar⏹get🇬🇵 nodes的数👨🌾🇯🇴量约束，前几层🇬🇺⚱dense FF🧀👨🎤N换成了用✳🍶Hash rou💰ting的MoE👻层📎🚢。
