（来源：上观新闻）
这项由华🇵🇫😥为技术🇪🇬（加拿大）研究团👨👦👦队完成的研🖊究，以论🈯文编号 arXi⚱🇸🇨v:2👨👨👧604🥗🥜.11004🇺🇲🇧🇷v1 发表🏭👾于20😎26年的顶🇸🇯级机器学习🐙😷会议 🇬🇹🇻🇪ICL🥭🏁R 2026🇧🇯💜（国际学习表征会🖌议）🇲🇲⚠。Kimi 的设🧟♂️计逻辑是需要在安📺装 Ope👬🏭nCla🍕w 的那🚠🇨🇲台主机上执行👨🚒😶一段 Bash🍉 脚本： 执行完🙊🇬🇺脚本之后，在🇹🇩😐其他地方安🆗装的 Op🍧👩🦳enClaw，🇧🇳🕎也会显示🏉到 Kimi C🕚law🐭📝 中🕐🏮。
主要评估指👨👧🇫🇴标是"任意奖🇨🇮牌获取率"（An🚚👤y Med🛩🎃al%），即在全🐱🧛♂️部测试任务中，有🇦🇩🇦🇫多少比例能至🤝🛵少获得一😑枚奖牌🇨🇱🌮。在几个对比方👨🏫法中，直接在目👎9️⃣标环境里用🤴强化学🧼🔇习训练的模型（G🍉RPO on T🕗arget）👩🥽能达到37🇨🇳.8%，一种🌔😰使用通用合成⚰🤩搜索引擎磁力蜘蛛环境训😓练的方法（📂AWM）🇲🇱🍟能达到38.4🕵🐢%，而一🔩种通过优化🌳系统提示词🔑来植入能力描🇹🇳🤥述的方法（GEP🕵️♀️🈁A）能达到🚩🇲🇼39.6🎏👨👧%⭐。
