（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Cart🚭Pole🕙👩🦳（控制杆子🧖♂️不倒）、Mou⛳nta👻inCar（让小🖊车爬上👱🔃山）、Hop🐈🤦♀️per（🎑双足机器人前进😤）、LunarLⓂand🗺🇦🇹er（月🎀⛓球着陆👩🎤🧵器着陆）🚫6️⃣和Pen😗🦸♀️dulum🥳（保持🌈☦摆杆直立）🍐。二、四步走🎙🎗的"诊断📀💶-补课"流程：👩👦👦💣TRACE➕是怎么工作的 T🇨🇫🚻RACE系统📶的运作方式可以🍴🇨🇵用一位经验🍲丰富的🇨🇲🌏辅导老师来类比理👨👦👿解🇨🇦🦂。
公开资料📿显示，顿顿毕业于🦅📀中南财经政法大🇾🇹学，在🐑⛪2017年⛽大学毕业后便加入😶新东方团队，🇩🇬🌚在教培行🇸🇹📌业工作数年后，🏴👩🦳2022🙆♂️🔲年6月跟随🧨⛩俞敏洪🐃🛋的转型战略🆗🌥，成为东👩👩👦🇦🇩方甄选🚏🛐首批转型主播之一🦄🇧🇻。面对分叉的任务🐫，它要么把所🎷有分支塞进脑子里🔬，脑子一定爆，要💁🇦🇮么只走其中一🔽🗑条，错🆙🎺过其他所有可能🙌。训练方式是📲🌨一种叫做🇺🇾😏GRPO的强化学🌃习算法：A🥡🤭I在练习场景🥓中一次生成多🧯个不同📮的答案，系统根🌗🇨🇰据每个答🥗👚案的好坏给出分数🍘🥞，然后通🦵过对比组内分🛎数的高低💱来计算🥺🇮🇸每个答案应🙋🔏该被强化还是🎶削弱🏴。
