（来源：上观新闻）
Q3：标准P📵🇵🇭PO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⚰能给谷歌加速的软件据最后几行文字🇧🇫👨❤️💋👨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🏠。
比如用户要求退🚞🧥款到原来的信用🔐🦟卡，A➡‼I明明查🚰到了正确的信用🤗卡号码，却💇在调用退款🚝工具时填入了🐿礼品卡号码🦟🇶🇦。马斯克 凤凰网🇯🇲⛷科技讯 北京时🌷间4月24⬆日，《纽约时报🌊☹》的调查⏳发现，火箭制造🚰🏹商Spa📺🇸🇻ceX一直♻🤴是埃隆·马斯克(🍴Elo🇵🇷n Musk)🏥的一个重要🚂✒财务工具，😸为这位亿万富翁提🌴🤫供低息贷款，🔶🐐能给谷歌加速的软件并资助✏👩🎤其陷入困境的其他🤺🇻🇮公司🦵😎。
第二种叫"日期时🇪🇦间推理"：✌AI直👩🦰🍱接尝试心算Un🤨ix时间戳😯（一种表示时🔢🎾间的数字格式🥡）来推算当🚑前日期，而不是◼调用专门的时🖥🎒间转换工具，🐓😈结果频繁算错🍑🈷。更重要的是，🏄他们通过大规模实🚾验揭示🥧🕦了当前💍🧢最先进的多模态🏌️♀️大语言模型🇸🇴在区域级质量理解🔐上的系统性短板🎈🕑——即使是🔋🤤 Ge👩👩👦👨👨👦👦mini 2.5🇫🇲 Pro🎵🇵🇰 这样🀄的顶尖商🎻🧘♀️业模型，在📅这类任🚣务上的表现也🚵♀️🍌接近随机😔猜测的水平🇰🇼🥒。
