（来源：上观新闻）
相比之下，直接在💟🇱🇷目标场景里进🕷行GRPO训9️⃣🇹🇫练的曲线🥪显得波动🇵🇭⏸起伏，甚🍉🚈至在3🇺🇳🔣840🚂🚁轮次时出😭现了下💕滑（从37.8%📍🧘♂️跌到35.🤴🥩4%），最终👨👩👧停留在🐥37.8%👟🇦🇸。研究团队认为，自🇸🇮🇰🇿主长周期机😇💎器学习研究📽🏌️♀️工程本质上是🍽📳一个**系统协🍄☝调问题**，而☁不仅仅是一个*🧝♂️🐐*局部推理问🏅题**🏫🛌。知识类和最前沿🏧🚺的推理🗯任务仍🇬🇾有3-6个月的g🇫🇷😯ap🤨🥼。
训练与推理对硬件😆的需求差异显著，☠👙统一芯片意味着在🏧某一场景下必⛴然存在资源浪费🌂🔊。。过去的方🇳🇴🙍♂️案因此只能使用小🕹型神经🚶😨网络，处理能力通🇾🇪常停留在数十万🖥🇮🇹参数的水平🗣。它们还可🇲🇾以让那些原📧本缺乏资源或人👨🎨🧙♀️手来完成项目的😞小型团队也能参🛶SCM系统与设计工作🇸🇯。Ver⏪Core 的 C🈵⛅oreM✡ark 得分为📏♑ 3261 分👛🆖。这位学生要怎么🅰知道是🚩🇲🇭第三行开👕始走偏，🙅♂️还是最🦡后一步✳算术出错？👩🎨⛅你的反馈几乎帮不🇺🇬上什么忙🐏。
斯坦福团队把这🙇♀️类在完成任务🍒过程中不可🧗♀️缺少的🦹♀️具体行为称为🇹🇱"能力"🅱🧼。开源模型匹敌闭源⚗头部，这次是🎏🇬🇭真的匹敌了📯🌠。为了训练😯 PAN👊🇦🇽DA，💐🇨🇮研究团队构建了一⌛💷个专门的数据📟集，命名为 🕰💃PAND😁ASET🏕。比如制作“20📤🕚26 年 A💣I 行业报告”🇭🇷海报，它🍆会主动抓取⌚🥁最新市场增长🔦📜率，而🗄不是依🇺🇲↪赖过时参数🛂🇻🇺。
