（来源：上观新闻）
如果这道👩❤️💋👩🛴题答对了，⌨每一步都受🇨🇨引蜘蛛软件到同等强度🍷的鼓励；如果🦉🥎答错了🇷🇴🧶，每一步都🐧🇲🇹受到同等强度的惩🍷⁉罚💷📠。更巧妙的是，📌练习题的难度被🇸🇮😃刻意调整到一个"🍰🇬🇦甜蜜区"🏴——基础模型大🚊🌉约有3😌0%到60%📂的概率能答对👺。第二个局🇹🇦限来自数据集🤞的构建🏄♀️🇮🇶方式🕟🆙。
研究团队📃♨用数学⛹️♀️工具仔细分析了🌳GRPO的💁🧾运作机制👨👩👦👦后发现：GR🗄PO之所以奏效，🗨🈷并不是因为"多采👙🐲样"本身有什么🦛📿神奇之处，而是🇺🇳🇸🇻因为它在不知不🤯🎻觉中把🙁❣整个推理任👎🐻务从一种框架🥉🥟切换到了另一👻😠种框架🗄。Hermes👩🔧🚇则走向选🐕🍤择性记忆💽🏆。
