（来源：上观新闻）
在几个对👩👩👦👦🇳🇺比方法中，直接🇱🇾🇰🇿在目标环境里🔨💞用强化🥚🍲学习训练的模❓🕌型（GRPO👜 on Tar👯♂️get）能🐡👪达到37.🇧🇯🛳8%，🛹🇨🇦一种使用通🌲用合成📝环境训练的方法（📿🧺AWM）能👩✈️🇬🇸达到38.4🃏%，而一种通过优🇳🇦🀄化系统提⛓🀄示词来植入能力🔤描述的方法🙍♂️🧛♀️（GEPA🏥）能达到39.🗺🎡6%🇵🇦。
而GRPO通过把💢整个答案🏬当成一个整❎🕦体来评分，实际🔒上是把解🦆题任务变🇸🇹成了一个完全不同8️⃣的模型——🇱🇹🏴技术上叫做"序列↩级情境赌博机"（🥧🇩🇯Sequen🇹🇦8️⃣ce-L🇲🇲evel C🚀📕ontextu💥al Band🇹🇳it）📈🏴。
