（来源：上观新闻）
他们发现，打分🌀🙀员实际上🔧是在偷懒—😎💂♀️—它根本不关心A🕺🇹🇰I在推理过程中的🚰👠第三步🕍🇳🇵、第五🛁🦘步、第二十步在🍸🧘♂️做什么🐛🇱🇨，而是一直等👨🌾到推理接🦜近尾声，才🇨🇾突然"清醒过😟来"，根据最后😱几行文字的语义🆓⏹特征猜测💝答案是否正确❎。为了确认SP🍴🧓PO的🚀🐡优势确实来🤢🇰🇮自其核心🍓设计思想而❌🚵♀️非其他因素，研究🧟♂️团队还做了一💆♂️🧝♀️个对照实验：把🐧☢SPPO用来🖍🌝训练价值模型的方🇪🇬式（二元交🏐叉熵损失）直接嫁👯♂️🐓接到标准🕺PPO框架上，其🔈他一切保持不变🇸🇴，命名🥈为"PPO +▪ BC👄💩E"🤴。
训练结束后，🌉每种能力都对应一🎹🇪🇭个独立的技🧑🏃能插件🍀🇳🇫。--- 🥮四、"文件即通道🇵🇼🧕"：AI🖤🏃♀️团队如何不靠聊🕐👨✈️天传递信息 在A💤I科学家的🇷🇸🏤工作方🤾♀️🥋式中，有一个🚆具体的机制🍎叫做"Fi⬆le-as-Bu⏪🐨s"，💜翻译过来大约是🇧🇲"以文件🤳™为信息🌥🏸通道"🎰。然而，更多潜在的📧设计由于产量🇶🇦😡太低，根本不值得〽🍍专门开💖🔨发芯片🙋。图/视🦍觉中国 🇷🇪更聪明的“马”🈯 从技🐙👨❤️💋👨术层面上来说，H🇧🇦erme⛷s确实比Ope🚷🥌nClaw更进了🦊🤳一步🧺❇。
