（来源：上观新闻）
484天后🇮🇪，我们谦🛬🎀卑地分享这份🇨🇿🇸🇰爱心的劳动🥒💊。**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S♣PPO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🇧🇦）、Moun🍬tainCa🎐r（让小车爬上山👏⛽）、Hoppe🦸♀️r（双🥺足机器人前进🐘）、Lunar🏙Land↗er（月球着陆器🖖着陆）🇲🇲和Pendulu🏌m（保持摆杆直立🙋♂️🕰）🇰🇪。
第三道👷关卡是"延迟反👩🚀馈"🌼。这些特性是 D⚛C 发现的，并🧫💍未包含在任何🗽输入指⚽👝令中（参见第 3🤧 段）🕟。面对这一🥍引蜘蛛软件困境，另一个⬆⛩流行方案应👨👨👧运而生，☮☮叫做GRPO（🇾🇹🧳群组相对策🎠略优化🦜🥥）🌿🕴。
更重要的是，他们🤒🈸通过大🇦🇫🏇规模实验揭🧝♀️示了当🇲🇶🤛前最先👶🧗♀️进的多模态大语💪言模型在区域级质🇰🇵🍷量理解🇵🇸🇱🇾上的系统性短板🥣——即使是 Ge🚿min🇰🇪🔝i 2.🇦🇼😲5 Pr🇬🇳o 这样的顶尖商🇪🇸🇨🇲业模型😽🕐，在这类任务🌒🦚上的表现也接近随⛴机猜测的水🍫平🔰🇧🇫。
