（来源：上观新闻）
而SPPO仅使📏➕用单个样本💵🔽，综合平均分达🅰🧾到了48.06，🐓超过了GRPO👠🇨🇱。研究团队用数学🛎工具仔细分析了🇧🇫GRPO🥿🚜的运作机🇬🇹👩👩👧制后发现：👩👩👦👦GRPO之所🎌以奏效，并不是因🇦🇫🌈为"多采样"🇲🇩本身有什么⛽神奇之处，而是🇨🇰⛵sem是什么的缩写因为它在不知不🦢😯觉中把整个推理🥬任务从🌭🎰一种框架👨🎤🤟sem是什么的缩写切换到了另一种框⌛架🥃🕑。
这意味着价值模🔥型确实学会了🍑🧰区分难🇬🇸题和简单🐆题，虽然不完美，🧣😬但相关性足够显🏏🏴著，能为训练🥧提供有效的基准信🕌📙号🇹🇻。在Luna😫rLander上🐐🖨，SPPO👾🖥保持了🏩📷稳定上升的🐧🌄学习曲➖线，而标准PP🇫🇯🇨🇿sem是什么的缩写O则出现🍛🚺了明显的波动🇨🇩和倒退☑🇫🇲。
