（来源：上观新闻）
**六、不只🚆是纸上谈兵：在🤛🌴经典游🇱🇹🔆戏控制任务上🎛的验证** 📙为了排除"成功可📥😢能只是因📚为在某个🌮🌝特定训练🚔🌊框架下📘的系统🐘优化"这一疑😂☁虑，研究🧥☪团队把SPPO🇪🇹移植到了🤼♂️🦸♀️五个经🧞♂️📌典的强化⚖🔪学习控制任务上：🕗👨🌾精密版CartP🧭ole（🎯控制杆子不倒🗂）、Mount😠ainC🇻🇬🐌ar（让小🍄👩🍳车爬上山）、🇨🇦Hop🦴🤕per⌨🕔（双足机器📙人前进🕵️♀️）、Luna☮rLander（🍳🍘月球着陆🌀🏛器着陆）和Pe🤷♀️♍ndulum（🇬🇶保持摆杆直立）🗄。
它还必须谨慎管理🐯有限的上下🧷文窗口🇻🇳的使用，不仅要🇮🇱🔤避免溢🧙♂️🅾出，还要🇨🇻最大限🙎🇱🇺度地提高🦞质量😺。这意味着 DC⏪ 的支持基础设🇺🇬施必须在可扩展性🤢和可靠性方面达到🍸🇨🇵世界一流水平😨🥔。AGI🔐🥠属于每⁉个人🏡🗂。训练数据量整整🏦🐇翻了一倍多（增⬅🏢长约 1.2 倍🛀👨❤️👨）⚜📊。研究人💽♈员通常有两种👩🦳选择：🇱🇷🔳要么给😽🦌AI看大👨👦👦🇬🇶量来自各种🎯🏓场景的训练数据，😌🗽希望它能从中🇱🇹"悟"出各种技🏕能；要么🧑直接在目标场景👶里训练AI，让😌它从最终的0️⃣🇵🇲成功或失败🇲🇪中学习6️⃣。
在一次内部❤🏪评测中，模💇♂️🇵🇲型根据一段🚱🏂关于芯片架构的论🌲文摘要🕣🏑，自动生成💄了包含晶🇰🇮🥔体管密🐓🇺🇬度对比图和 3D⛓🐅 封装示🌜意图的完整 🤼♂️🕵️♀️poster 🇰🇷—— 连🤯🇹🇿 IEE🤖🗃E 的审稿人都🇵🇦👩🦱第三方广告监测误以为是人工排版🚞。每一个人都算数，🏘每一天也都算数🇹🇳。结果相当值得关🔣🕺注：在第一个基准👨👨👧👧Pape🐫rBench🌡上，AI科学⛷家的平均得分比此🇳🇦前最强的AI基🦖线系统🌻⚡高出10.54分🇹🇭🍾；在第🔙🦌二个基准💁MLE▶🏳-Ben🇳🇬🦏ch Lit🇬🇼第三方广告监测e上，它🍻🇻🇦以81.82🇧🇷🏷%的"获奖率🔼"超越了所有🆖有记录的对比👯♂️系统，其中↗包括多个已公🦟🤷♂️开发布的知名商业⁉和研究机构👨👧👧🧦系统🇰🇿。
