（来源：上观新闻）
从训练轮次的角🇸🇸🇱🇷度看，以τ?-🇧🇫🇵🇦Bench💕🐌域名cname为例，T🥋📪RACE在🇻🇮🗻不断增加训练轮🚵次时通过率持续🏚稳定上升，从0轮🥥次的32🇬🇾.9%一路攀升⛴到5120轮次时☪的47⤴🚦.0%，曲线几乎🇭🇲🧗♀️是一条平滑向上的🚜🛋折线👷♀️。鉴于这些原因，☦我们认为由经验♈🛅丰富的架构师🌅指导诸如 🇲🇵DC 🇲🇦👔之类的系统🧪仍然至关重要😷。
在精密Cart📲🎣Pole❔☀上，SP🇸🇰PO收敛速😈度明显更🇺🇲🧴快😕。OpenC🎎law更🐨🇲🇩接近一种全量记录📶式架构，📍记忆策略是被动的🍓。Q3：TR🇨🇴⚪ACE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 o♦n Targe🐻t）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👨🔬👒。
道理很简单，🥊单个 Age🍸🍀nt 自🗳🇷🇴己能力都📓🐂不够，把一堆能力🎐😋不行的 A🇮🇲🇳🇺gent 🐿🥯域名cname凑到一起做事📹，等于一屋🦢子干不了活的人开⛹️♀️会，只会更乱👩👦。2. 架构 图⛹️♀️🇦🇱 2 展示🌞🇧🇷了 DC 🤦♀️的高级架构🇶🇦概览👨💼。这也从实验数🈯据层面🐤为TRACE的☔👁️🗨️核心逻辑提供了支♐撑：少数几种🏌️♀️能力的缺失，足Ⓜ以解释🚿👩🏫绝大多数失🇵🇳⏱败案例🏴。
