（来源：上观新闻）
”加兰说🥵。Kim🌲🦃i用Muon👩🦰需要QK-Cli🇳🇵🇳🇮p来防💚🇧🇷止attent🔶🇨🇴ion ℹlogi🎎ts爆炸，🍀☃DeepSeek🇫🇲🚣没用这招🦠。这个发现🐢让研究团队🕗想到了一🚑😑个问题：既然框架🇲🇷切换才是关🏬👩键，我们能不能🛄🇬🇧在保留这💅个框架的🎽💽同时，摆脱多采样🙋♂️🚆的高昂代价🛏？ **三、SP💄PO：用一个聪明😦🛑的"预测员"替🍷代一批🌔答案** 🦛基于上述洞🌳察，研究团队提出🧵了他们的新方法👩🏫👨✈️：SPPO（序列🔊😂级近端策🕳略优化）🎼。
而WALL-B🧝♀️的行为模式完全不🦌同：它会调整策🥵🇬🇬略再次尝试，如果🦔成功，就将这次成🈶功的经验直接🤾♀️🕶更新到模型参数中6️⃣🧿。但如果能拆🤾♂️出多个 Ag🐒◼ent，🙃分叉的时💳候让子 🖲🐪Agent🚪 各自探索不同🏀方向，流水线的🏴时候让不同 🍉Agent 🆑负责不同环🍋🤼♂️节，主 Agen🐿t 管总方🦘⚾向，整6️⃣sem全称是什么意思个执行🌤过程就会更快😟，也会更稳🐼。
孙立宁院士指♦🚬出，这就是阻碍👲落地的“最后💣一公里”🔇💆——缺乏商业化闭📑环的性价比🕝。在几个对比🏃🌟方法中，直接在🐶🚁目标环境里用强🥈化学习训练的模型🎧（GRPO on🔠 Target）❇🐨能达到🌧♐37.8📈🐆%，一种使🇨🇰用通用👨🚀合成环境训练的方🏑法（AWM）😀🇧🇧能达到38.🇧🇱4%，而一种🥠♨通过优😶🐑化系统〰👨❤️💋👨提示词🔐😩来植入能2️⃣🇧🇸力描述♐的方法🏪💐（GEPA）能🛷达到39.🧚♂️6%⛩👶。
