（来源：上观新闻）
于是，如果你🇮🇨🦸♀️要训练一😓📲个70亿👩👩👦👦参数的AI，打分😣员也需要70亿🍫参数，🇲🇦内存占用🥪8️⃣直接翻🚄倍🦸♂️。两种方式都👒🇪🇭有一个共同的缺👨⚕️🕺陷：AI从训练信👱🐸号中得到📁🧤的反馈，是"这个✡〰任务整↙体成功🇪🇺🕣了"或"失败了"👩🎨👨🎤，而不是👔🚦"你在第三步查😛询数据时出了问题🦇"🍣。
测试结果显📼示，在难度最高👨🎨✳的Hopper🌬🧮和Mount🇷🇴ainCar任🇰🇿🇺🇲务上，🕣标准PPO几乎🇷🇴完全失🇼🇸败，成📯💇♂️功率停在🅾接近零的水🌳平；而SPPO🇻🇮👩❤️👩成功解决了这两个⛵🚮任务，成功7️⃣🍉率稳步🔌攀升🔨。一位因👛事态敏感〰🃏而要求匿名的员🈹工表示，⚰由于裁员⛏一事在内🇸🇸🕹部已被广🧪🚽泛讨论🖌，这一官宣👨👨🎨反而有助于缓🥮🇬🇧解一些不确定性👩🦳。在客服场景里，🌚"找到📿🦖正确的客户记录🇹🇻"是一种能力，"😩💥检查退🇮🇪🇩🇴款政策是🕎🇬🇶否允许某项操作🚌👨👧👦"是另一🕛🔜种能力，"在🇦🇽用户提出多个请📩求时全部逐👩⚕️一处理完毕🇪🇦💃"又是第三种能力😽🧧。
” 很多人将OP📿🌥C简单理💩🤗解为“一个人5️⃣🤶的公司📑☂”，姚双称🕯🦀：“所谓🇸🇸的一人公司，其实👨👩👧🧜♂️可能不只是一个人👨👨👧👈，而是两🍢三个人一个小团队👅🐗。**说到底，这🗼项研究🌈发现了什😂🇨🇦么，又🏆意味着什么*🧥* 归根结底，这👝😥项研究📩回答了一个🎢✌在AI训练领域🎌长期存在争议的问🇹🇬🇨🇴题：大模型🚴♀️推理能力的训练，🧾应该用什么样的框🌥🚩架来建模🥼？ 研究团队的😣答案是🇻🇬：把整个推🛩理过程当📿🤭成"一次性行动🥙🚫"来评价🇨🇭😊，而不是"一系👩🦰列连续步骤"🛎🔝。
