（来源：上观新闻）
这组数据背后🇳🇬🇵🇫的逻辑🚹🎅是：当训👩👩👦练场景与目标场景💥完全一致（🚸🌟即直接在目标🍎场景上做GRP🌏🎒O）时，模型很容🈯易陷入🇽🇰🍧过拟合或训练不🈵🚮稳定的状态—📟9️⃣—它学到🍸🔬的可能是特定🤼♂️题目的答案，🤑而非通用的能✨🇵🇲力；而TRACE✒的练习🇨🇭场景经过专门🌌🆒设计，💙🇲🇿每道题都由🤺♟️随机种子🚼程序生成，变化🙀无穷，AI练🧰☸的是"🧼能力本身"而🇨🇱🖌非"特👣👩🏭定题目"，因此🇧🇷能够随着训🛀练轮次的增加持📓续稳步提升🇩🇪🇫🇷。
训练数据量🧡整整翻😜了一倍多（增长🧙♀️约 1🛢.2 倍）🚮🦔。“我知道这会让每🏑⛑个人在接近🦜一个月🐎🎉的时间里都处👨🔧于不确定♉🛠之中，这种感觉👩👧👦非常令人不安👨👦。Q2：P🔨ape🖤♈rBenc😌h测试的是什么🇬🇦🍒，AI科学家🇻🇨的表现如何？💏 A：Paper📃Ben🇪🇭🤝ch要求A🍜I在24📚🐄小时内，🎖从一篇机器🦗🇲🇶学习论🇬🇫🤽♂️文出发，在没有原🇵🇭始代码🌙🈴seo公司的情况🍢💲下从零搭👫建、运🇦🇨行并复现🥳论文的核心🇾🇹实验结果🇵🇸。
一套看似优雅✝的后训练方法📧🌜论，背后是一堆😦🐕「不这样做⌨⏸就装不下👷♀️」的工程🦕妥协🇲🇷。但这份名单把他们🚾🇫🇲的名字和V4这🍢🍢个大家等了整整一🤬8️⃣年多的模型，👩💼💝绑在了同一张纸🌓🏈上🎍。
