（来源：上观新闻）
V4-Pro和🤞V4-Flas🇬🇶h，1.❤6万亿参数/2⛱840亿参数，🍭🇻🇪上下文都是1M🔳🏷。然而，👚🕖芯片设计🚇需要在🎸某些特定领域拥⛲有极其精👨深的知🕴🍌识🇪🇸。这种方式不需🇳🇨❎要事先🇮🇶标注"正确答💝🇻🇨案长什么样"，只👝🕒需要能判🐳断"答▪案是好是坏🌀🦵"，因此非常适合⛳❣复杂的🍶多步骤任务🏣场景🧬🍈。Q3：T💰🔝RAC🔒🦏E和直接在目标🎋场景里做强化👸👀学习训练有什么区🍺别？ A：🇲🇿直接在目标场景做🇦🇩⛽强化学习（G🇨🇷RPO 🕵️♀️on Targe👼t）训练😨时，模型从任🕒⛸泛站群务整体成功🕠或失败中🚥🇲🇹泛站群学习，🕳无法精确归因🆔💓到某种🚩😏具体能力👨❤️💋👨🔄，容易陷入🤨不稳定或过拟合👨🦲。
这或可在💦两位主播25🍧🌐日的发文中可🦹♂️👝窥见些🥈🤳许端倪😎😌。为了训练 P🇾🇪🚚ANDA，📆研究团队构↪建了一个🚛专门的数据集，😵4️⃣命名为 P🌜🚉ANDASET🏡💍。论文表👩👩👦👦🍪示，训🐢练中间出过一🕐次严重的👛🇶🇦loss🇬🇶 spik👩⚖️e，De2️⃣🏧epSe🥫ek摸到😔👨👨👧👧两个土办法，🐵🗜Ant🥼icipat🥠🥺ory Ro🎻utin🇰🇮g和SwiG🍼🦈LU Cla🖌mping🎽🇧🇩。
从 Easy 到👩🦱 Ha🐗rd，所有方法🚵♀️的性能都出现了😇🔁不同程度的下滑🐲🏜。其四足机器👨🚀🍯人HG⌚系列与轮式🎉⁉双臂机器人😷🐡泛站群Astro系😽列已完成🐒🧞♀️工程化验证，进🔵👨🦲入批量交付阶🇵🇸🇪🇷段✨🖇。MoE🌵用1个sh🇵🇳😭ared e🍿☠xpert🇨🇼 + 256个🧮routed e🛹xpe🦙🦖rts，每⛄token激活🎫🚒6个✝👨👨👧👧。
