（来源：上观新闻）
如果AI🙅🖲每次都"🔕🌳忘记"之前🇮🇨🖕做了什么、发🇲🇹现了什🌆么，它🍊就会一直在原😀📹地打转，反复👩💼🥋踩同样的坑↗。这个差异说🍿明，单🔱靠文字描述能力、🏵😀希望AI在提示🤛🐎词层面👐"领悟"👙🌞，存在🚽🎼根本性👨的上限；而通过🐯⏺真实的🇪🇨强化学习训练🚃让AI内化技能🔡，才是真正可👌以持续叠加收益◽的路径🦖🦸♂️。
为了确0️⃣🥮认SPPO🗻的优势🌶确实来👩❤️💋👩🦸♀️自其核心设计思⛹️♀️想而非🇰🇿👄其他因素🐾，研究团队还做🖋了一个对照实验🌎：把SP💆PO用来训练价值🗽🔇模型的方式（二元💔交叉熵损失🍘🙋）直接嫁接到标准🛍PPO☢框架上，其他🥺🇱🇹一切保🇻🇮⛪持不变，💪🇺🇦命名为"🍐🚻PPO📢 + BCE"👷。具体而言🇵🇳，标准PPO把🔮AI解题看作一🚋个漫长的"连续决😝😬策过程"—😃—就像下🏑☠棋，每走7️⃣一步都有意义🇬🇧👨🏭，每一步👩🎓都可能影响最终胜🤽♂️🇧🇯负🐔🏈。
失业的不止吴🧑🇦🇿维斌，🏨🤽♀️和他同年龄段的群☹🇬🇪演几乎都处🚯⏹于失业状态🧠。该方案的摘录如💸下所示🔃🦂。DeepSee👨✈️🚽k-V4：2✉🇬🇱026年4🇿🇦月24日🎷🔰。PAN🇳🇦🌀DA 使用8🌳块 NVID🦢IA V1🎐❕00 32G🛄B 显卡↪训练，批次🌙大小为6，💅总训练时🇲🇼间约1.5天，使🏊♀️📇用 Ad👾🇹🇨amW 优🐰化器，🇦🇶⛴学习率1e-4🥡💩，权重衰减0.0🙋♂️😪1，共训练3🔃0轮👌。
