（来源：上观新闻）
在内部测试中，模🇹🇹型对复杂🧀指令的遵👨💻🔣循率提🇲🇶🚂升了 3🌲.2 倍🏂。在复杂系统🚰🚒中，真正的控制🔊不是谁发号🌤施令，而是🛄🇨🇻在混乱中不断🇦🇫调整、不🥶断涌现的边界🌉。最简单的"Eas🤝y"级别，要求🥚👿两张图片🤚中所有区域都被同🥃🏺一种失真类型📙影响，只是严重程📠度可能不同🧛♀️。
目前让大🇮🇸模型学会🏑🥳解题，主流方📛😣法叫做PPO（👭🚣近端策🕕📮略优化🇱🇹）🇬🇧。这些讨论我📄🧰没有参与🗣🛸，他们在群里商量🚶🇪🇺。但这项研究的实验🇰🇾结果表🏊♀️🇦🇽明，单纯增🕔加交互轮次并不🎫🕑能带来持续的👥🧚♂️进步，因😂🏸为每一轮新的🇨🇺🐛工作如果不能🇬🇶建立在之🎧🚏前工作的基础🤞🇦🇮上，就只是在🌅👥重复劳动🏧🚸，而不是在积🤗🗺累🏷🇰🇬。
过去三年的🥡趋势非常💇♂️清晰👩👧👧😫。而GRPO通🇬🇳过把整个答案当成🇬🇦一个整体来🎸🆔评分，实🔬🌾际上是把解👬📷题任务变成了🐟一个完全不💕同的模型——技⚗术上叫🏴做"序列🕚🅰级情境🇬🇸🇸🇪赌博机"（Seq🤬☣uence-L🙏evel C🤽♀️🗾ontextu◻al Ba🎮🏹ndit🦶）🕯。
