（来源：上观新闻）
这个差异说明，单🍠靠文字描述能力、🎉👩👩👦希望AI在提😌💗示词层面"领🇨🇼悟"，存在根👨👧本性的🚶♀️上限；而通🇬🇶🗓过真实的强👩🚒化学习训🍯练让AI🏑内化技能，🆒🐫才是真⏳⚫正可以持续叠加收🌚益的路♋🚇径↕。第一个是Pa☔perBe🛴nch，由Op🛋⛹enAI参与设计🤽♂️🇺🇳，专门🐚用来测试AI从头😇复现顶级机器👩👩👧👦🕴学习会议论文🇲🇦的能力🇦🇿🤛。
其二，🧂语言模型有输🔢出长度的限制🥜，当图片包含十几🤸♂️🥥个甚至🔧📇几十个区域时🇳🇴👵，要求它🔘逐一分析每个区域🇱🇰，往往会超出📛模型的处🧢✒理能力，导致遗漏🎚🌮或重复🕒👜。Q3：标准🎶📞PPO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（Cr♒🇺🇬iti🙋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👩💼。
研究团队首先从🎄🔂两个现有的公开🥐数据集中筛选出2🐓🔥200张高质量🐼🥢图片：其中👩🦲🔛1592张来🇬🇾自 PSG♋ 数据集（一个🤶包含场景🚜信息和🍍区域级全景分割😞🐕的数据集），另外⬜608🧧👩🚀张来自 🇨🇫🕛Seagull🎽-100w（一个🥛包含真🎶🧵实ISP图像退⚾🇦🇱化效果的数据🍘seo推广公司集）💕。第三是"🇵🇬功能性比较"🌃：对于每一对对🐀应区域，⬇有且仅有一条比🇲🇸较关系，不允许出⏱现一个区域🚑对应多个比较结👩⚕️论的情况👥🇱🇰。
