（来源：上观新闻）
Q3：T🦢🤹♂️RACE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（GRPO⛄🇹🇭 on Tar🎒get）训练时💚🏖，模型从任务📢💴整体成功或失🤧👢败中学习📏，无法精确归因到🇱🇷🥇某种具体🌴能力，容易🦐陷入不稳定或过🇧🇳🌝拟合🇧🇲🌦。
DC 必🇨🇬须能够在消耗数✡🇺🇳百亿个令牌的👢情况下，🧶 朝着目🥮标——功能正确、🇬🇹高性能的设💎计——不断前进🎧。这说明单纯🍡📶"多做几轮交互🦙👨🦱"并不等于👽🥴更好的📖结果，关🧣🥯键在于每🥯一轮交互⛲是否真🇱🇺📉正建立在之前积🍙📦谷歌seo服务公司累的成果之上📞。第二个测🈹试场景叫T😁谷歌seo服务公司ool🚙San🔍dBox，测试🤺♟️的是更🍃🅰广泛的工具使用☑🍞能力，包含🧔😿129个不😔同场景🔘👩👧👦。
