（来源：上观新闻）
这组实验表明🧕✅，SP🏀PO的优越性🏨🏌️♀️是算法本身的特性🇳🇱，在不同的🦄🥩任务场景下都能复👨👨👦现🧙♂️🖊。Q3：🥥🇬🇼标准PP🥁O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（Criti🇺🇾🚣c）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🐘☝。
--- 👾🐸三、"薄控制、🇦🇽厚状态"：一套听🈲🤵起来奇怪但非常🐺☝有效的工作🌤⚗方式 研究团队用✝🇷🇸一句话概括了AI⛸科学家📞的设计核🦛🇰🇾心："薄控制，🚴♀️厚状态"🤤。训练方式⛱是一种叫做GRP🎇O的强化学习算👡法：AI在练习🐸♣场景中一🍏次生成多个🔧🤒不同的答😰案，系统根据🏧🧯每个答案🐾的好坏给出分😱数，然🇬🇹🇨🇭后通过对🇮🇨比组内分数的高🍠🚮低来计算每个答案🍏🈸应该被强🏮化还是削😔弱🚫❗。研究团队测试🇲🇰了用15亿参🔴🇳🇨数模型作为价值🇶🇦模型来💡⛳辅助训练70亿参🔜🇪🇪数主模型，🌐🌨两者相差约4.👨7倍👨👧。AI微短剧和🚯🛏漫剧论坛🧥🌍上，九州文化创始♣人汪家城抛🥪👩出了一串让人心跳🎻🇧🇸加速的数字🈶：自27️⃣025年1🇧🇿🚣♀️0月起，🈚AI短✴剧的制作成本，每🇲🇳☯个月降低🖥一个数量级🇲🇰，11⛹月降低3🦜🇳🇱0%，1🇱🇺2月再降🇸🇷🍉低30%👕。
