（来源：上观新闻）
第二道关卡是"环🏛🗼境搭建负担"🦹♂️🇵🇪。要知道，羽毛🚨⚽怎么诱捕蜘蛛球是对机器人⛩动态交互要求🥴最高的运动之⛲🏆一➰。在几个对比方法中🧟♀️，直接在目标环境⏬里用强🏁🎊化学习训练的模型🚃🍛（GRPO 🦓🇮🇱on Tar🍙🦙get）能🎡💯达到37.8🍰🇧🇳%，一种🔴使用通用合成环境👱♀️训练的方法（AW🇷🇸M）能达到3🐥🛐怎么诱捕蜘蛛8.4%，而一种📈🧟♀️通过优化系统提🈵示词来植入🥇能力描述的🔦方法（GE🤲PA）🚡能达到39.🌫💂♀️6%🚟。
而WALL-B🌠所采用的世界⛔统一模型（WUM🏄♀️🎹），则是一次彻🇬🇬💨底的重构🇳🇵。不过，目前😲还无从得知授⭕💙权相关细节⛴🌊。值得思考的是🙅♂️🥚，随着这类🇺🇾系统的能力不🍸断提升，科🌩🕎研流程⌛的加速和Ⓜ民主化可♋能比我们预📤期的更快到🇿🇼⛓来——不仅是顶🤟尖机构，普通📲研究者也🎟可能借💃助类似的🥶🗓系统，🌜🍼以更低的成本完成🕝🤨更高质量的🎒实验性👩🎤研究工作⬛。
DC 🐱使用 Sp🧤ike 构建一个🇶🇦🔒整体的 ver🌭🦁core_t💨b.v👊🙍 测试👨🦲🗿平台🧛♂️🥼。在Luna⬜💔rLa🔮nder上，S🐗PPO保持🏴☠️了稳定上升的学习🌬怎么诱捕蜘蛛曲线，而🙇标准PPO则出现🛌🎈了明显的波动🍱🥕和倒退💝。
