（来源：上观新闻）
研究团队通🏈🌠过实验🏧直接观察🥅🌥了这个"打分🚕员"的🌳2️⃣行为，结果令人😒震惊🕤。GRPO因为每🈴道题都需要生成8🏐🇲🇵个答案，训练进程🇧🇧推进得很慢🏵。这些特性是 D🇻🇦👩💻C 发现的，7️⃣🌅并未包含在✂📸任何输入指令中（🐛💣参见第 3🧻🤳 段）✍🚊。它的思路🇵🇷是直接✂🎨扔掉那个不🥟靠谱的打分员🐺，改用一🇾🇹种"横向比较"的🔵方式：🐩🧚♂️对同一道题，👨让AI🅾🏯同时生✅成一批答案（通常👨👩👦👦是8个），然🧜♂️🔊后以这🇲🇷批答案的平均得🇳🇺分作为🍲泛目录站基准，那些比平均🦏🇬🇺水平好的🐍🕧答案就得到奖励，⛪差的就受到惩罚◀🐶。
他没有去🍂💙找银行，而是求📸助于他创立并📴🍠担任C🇲🇴EO的🎉📟火箭公司：S♻🇦🇬paceX👨👨👦👦🇧🇭。听起来贵，但D🚽eepSe💏🇩🇬ek做了🏃fused ke🏤rnel🇪🇷，再配合选择性📖🖖recomput🙌📀ati🇬🇧🔤on，实测m🇿🇲HC带来的◽📰wall-🇦🇹8️⃣泛目录站time开销控制🚺😭在overlap🇸🇲ped pip🍖🇲🇷eline的6.🍽7%🚩6️⃣。但与 Mi🇲🇲🕶djourne👷👐y 的极致风🥗格化、🈷🕉谷歌 N😓🈸ano Ba🇸🇯😆nana🧙♂️ Pr👚💀泛目录站o 的 4K🇨🇩🧹 原生相比，Op🚴🇸🇳enAI 走了一🇧🇹🙋条完全🏟🤚不同的路——🈸🇧🇲让图像生成服务“🤸♀️🇲🇶思考任务📴🔯”，而非服务“艺👩🚀术灵感”🎅。
