（来源：上观新闻）
性能方🅱🦛面，SPP🔠O不仅没有损失📸🇩🇴，在1🥳📷.5B和7B两种👂规模的模型🎄🇨🇱上，S🥩PPO🖤的综合平均分🇬🇮🌡都略高于🇳🇷GRPO（N=🇵🇬8）🔫♟️。测试结果显示，在🥾🎳难度最高的H💙🍕opper🎵⚙和Mou🔏ntainCa🔉🐳r任务上，标准P🇲🇼⏬PO几乎完😗🇰🇼全失败，成功率🚂🇭🇲停在接📨🇲🇺近零的水平；而🧹SPPO🐜成功解决🎅了这两个任务🛏🌞，成功率稳步攀🏴🎁升🇧🇧🔊。
在C2的背后，是👍整个机器人行业正🤸♂️🔎在经历的，一📿次从工厂到日常的📺🤝转向🍶🥞。“早期我们用K🇳🇮🚑imi🕍🍙、字节的一些工具🦡😢，国外用Gem🇵🇹ini🍒、Claude😼🏸、GPT🧒。Q3：🇳🇴标准P🐉PO在🍱推理训练中为什么😯会失败，具🎡体是哪里🥝🖖出了问题？ A📟🦘：标准🌴😦PPO失败的😜核心原因是"尾部💀🐚效应"——🔤▫其内置的打分员（👭Crit🎷🖖ic）无法在🚘几千步的推理过👱程中有效分配🤶⛲奖惩信号，🤼♀️☢而是一直等🔑到推理🧔🍱接近结尾才根据最😰🌋后几行文字猜🚄测结果，导致🌹🧚♀️整个中间推理过🇳🇷程既收不到有效激🧸🚍励，也收不到🤴有效惩罚👟。
