（来源：上观新闻）
1M场景下，V❇☣4-Pr🇯🇲🥛o的单tok🧩en FLOP🥳s只有V3.2的🔼27%，KV🇱🇹🇭🇺 cache只有🎋📗10%🔷。整个过程没有🌌💞"中间步骤"📯的概念🛅，只有"整体行动🐣"和"最终结🙌果"的对应关系🔛。从“做👨🏫🐣客”到📱“做东”，长短🚯视频平台☃已在一个牌桌上🦸♀️。第三，采用🌺Muon作为主✋优化器💝⛏。Hard级🎈别中，两张图🏑的每个区域都可🥭🇨🇱能有不同的🥢🚆失真类型和严重🥭🇩🇴程度，需要逐区域❕精细分析，是💹最具挑战性的场♒🏳️🌈景🧨。
而SPPO仅使用🏕单个样本，综合平📙🦋均分达到📢🚱了48.06🔏🥉，超过了GRP🦖👨🦱O👨🦲。中国人民🐎🕚大学的研究🏸团队将这类任💭务称为"长周期机🌂器学习👒研究工程"🌀🤰。Alph🏈⏪abe👄t首席执行官🇧🇪🇪🇨桑达尔🇲🇫◽·皮查伊亦🖇在博客中指出，♉这一架构旨在😦📷"以具有成本效👩🚒🇦🇹益的方式，提供🔄同时运行数百万♑个智能体🤐💍所需的大规模吞吐👩❤️👩🎐量和低延迟"💕。GRPO因为🏋🐺每道题都👒需要生成🐧🌼8个答案，🌉🇮🇱训练进程推进得很🍓慢📪。而同体量☑的真人👨💼😌短剧，预算在20🧭🙅0万元👯左右，周期在👩🏭🕗3个月⚫8️⃣以上👨💼🍘。
主要评估指标是"🍸🇬🇲任意奖牌获取率🌃"（Any 🍫Medal%）🕊，即在全部🤼♂️👌测试任务🇲🇪🦜中，有多少比例㊗能至少获🍉🚆得一枚奖牌🎻。姚双给出的答🔖🇳🇱案清晰🇬🇧☔明确：服务、安🍏全、稳定性⏏。在精密Cart✋Pole上，S💕☕PPO收敛速度明🚍🇹🇫显更快🇪🇺。
