（来源：上观新闻）
这组数据背后🛩🚧的逻辑是：当训练🉐⚔场景与🔐📮目标场景完🥧👱全一致（即直接在🇮🇶➕目标场景上做G😴RPO）时，模型🕌🚃很容易陷入过拟🥔合或训练不稳定™的状态——它😰📸学到的可能👖是特定题目👼🚧的答案，而非通🔻🇼🇸用的能力；而㊗TRACE的👩👩👧🇬🇭练习场景经过专门📵🇵🇼设计，每😘🔠道题都由随🇹🇷🏘机种子程序生🐳😠成，变化🍨🔆无穷，A🇳🇴🐡I练的⏰是"能力🗑🔑本身"♠而非"特定题目👾🤹♀️"，因📮此能够👵随着训练💰🔦轮次的🐚👎增加持续🐽稳步提升🇷🇼。
Mediu♋👨👨👧👧m级别中，一张💭👠图是单一失真，🍠📙另一张每个区🥵2️⃣域的失🔐真类型各🍃🥑不相同🌒，识别难度增🏑🖥加🕛👗。HCA的🕐思路更简🌑单粗暴，🎫⛄压得更🚃🏪狠，但不做稀💶疏🇲🇹🏠。这项由南方科技🧩🇨🇴大学、北🇦🇹京邮电大学、微🇵🇬软亚洲🈯研究院、上🏒海财经大学、清华🎒大学及IN🇨🇼💘FLY TE🥮🌆CH联合📝开展的研究，以预🦸♀️🍑印本形式于2🌙🎥026年4月发布🎯👩🦰，论文🛋🌙编号为⚓arXiv:26🧦04.0🇧🇯⚜8865ℹ。
