（来源：上观新闻）
相比之下，直接🏂在目标场景里进😣🍶行GRPO训练🇰🇼🇨🇭的曲线显🦟📩得波动起伏，甚😑🚼至在38🐛40轮次时出现了🇶🇦🗡下滑（从37.8💥%跌到🥌35.4%）⚒♠，最终停留在37🏷.8%🔶😋。谷歌在技术⤵博客中指出，🚤🏹第八代T🇺🇸PU的设计哲学围🧚♂️⚱绕可扩展性、可🍗🤦♀️靠性与效率三🇹🇬大支柱，两款🗿™芯片共享🇲🇱谷歌AI🇦🇩🍏软件栈的🧹☕核心基因，但各🏊♀️🤱自针对不同瓶颈进⬜行了专项🧕👶优化🇸🇿🗼。
它只优化2D参🇵🇬数矩阵，其他参🇸🇾🏒数（em🔽beddi😣ng、pr🔷🔌ediction🖥👘 he🍈ad、R🇺🇲MSNor🐱⛅m权重🇳🇮👩👩👦、mHC🆕🍚的静态偏置等🇫🇲📰）还是走A🦑damW♣。更关键的问题在于🖼，这些⛑🇲🇳模型通过"监🇮🇴🏛督微调"（可以理🦴解为"刷题训练🌐📩"）的方式习🗯得了固定的回🅰答模板，🚜🐺就像一个学生🧿🏝死记硬背了几套🥯🇧🇷答题公式，一旦遇☔🚎到没见过的题型🌊就不知所🖐👶措🏖🍇。
更强大🎤的视觉特征提取💇♂️🍐器、更🇻🇨复杂的跨🏹👑图像对应机🧖♂️🍤制，都可能进一步🏊♀️⚽提升性能🐤🐻。分析过程分为两🥵🇵🇬个阶段：先🈷🐐是"发现🚟🇯🇵阶段"，分🍣析AI通过🔀检查所有记录🙈🌻中的工具调用、🔲工具返回结果和🌯最终回复，🚖归纳出一👣份候选能力清💋🔨单，并为🇨🇩每种能力起一个固😷🚄定名称和👯♂️描述；然后是"标🇰🇷注阶段"🖥，分析AI拿着这🇷🇸份清单，♋🧺逐一检🛂查每条任务记🇲🇦⛸录，判断每种🎁能力在🎵📺这条记录中是"不🤦♂️🏹需要"🦗、"已正确执行"💕还是"本应🗼👩💻执行却没有🥭执行"🥝🏸。
