（来源：上观新闻）
论文原⬜🐷话非常诚实，这🐗🚉两个tric⚗👚k work，🎄但底层机理🇩🇰😻仍是ope✔n ques💫🛴tio🇲🇴n🈚⛔。研究团队用数🍓学工具仔细分🎬析了GRPO的运🐪作机制后🧣🇧🇿发现：GRPO之📛所以奏🔥效，并不是因为"🥣🙌多采样"本🚥😟身有什么神💀奇之处，🕘而是因🔭为它在🎬不知不觉中把整🅰个推理任务😏📒从一种框架切☪换到了另一种框👨🍳架📣☕。” 至于AI演🈯员的演技⬜🥕，有网友看过🚺预告片后锐评：👨⚖️“像木🏦偶动了起来🇮🇱。在训练超参🇳🇮🚚数方面，研究团队🙂🙃对损失函数中四🔼✔项任务的👨🎓🚐权重系数进行了网🎩格搜索🇸🇷🌑，最终确定的配🕒👁️🗨️置为：区域🚍🇮🇨比较关📡🛂系损失权重🐙🗑0.1、失😖真类型识👉🚪别损失权🙁🧷重1.0🇨🇷、严重🇲🇵程度分类损失权重💧0.1、质👩🔬📃量评分回归损🎶失权重1.0🌈🌡。
这个差异说📲🇮🇳明，单🎧seo公司哪家好靠文字描述能👯🐭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🚽。在20👨🏫👩🎤个不同的论🌫🇫🇮文复现任务中，几🥨乎每一个任务上A⛏I科学🤲🥛家都有明📘显提升🇱🇸🇮🇶，其中😌最显著的🦹♂️😭一个任务（pi🇵🇬nn）在GL👨🎓🎼M-5下提升了⌚🍬32.99分🕢🇮🇳。
85人的内部🇸🇷开发者调👹研里，9⚗📲1%表示V4👳♀️-Pro可以☝🕝作为主力c🌍oding模🥙☪型🛒💌。相比之🍀⛹️♀️下，直接👖😵在目标场景里进🎺行GRP🌙O训练🇧🇩的曲线🧘♀️🕔显得波动起🔝🚆伏，甚至在384🛒😩0轮次时出现🐚🔷了下滑（🕓🤘从37.8🇦🇺%跌到🍠🏣35.4%🇪🇦👩⚕️），最终🐠👇停留在37.📁🦒8%⬆👔。
