（来源：上观新闻）
在内部测试中，🍈模型对复杂指令🤸♂️🇬🇺的遵循率提升⚱了 3.👩👦🛫2 倍🏌️♀️🦐。这些任务被专门🙍改造成类似🍃🍰书新版好还是旧版好AI推理🐷🎯的稀疏奖🐱🕹励模式：整👩🦰个过程🏙中没有🕢🧜♂️任何中🤢间反馈，只🏟🐁在最终🧢🥐时刻给出"成🛃功"或"失败"🍍🇲🇻的二元结果🤐。数据印证🚁了这一🤦♂️趋势🦉📝。自变量🎬的领先优势，将♣不断扩大🧚♀️👩👩👦👦。这些专🇿🇦家的角色将是指导😿 DC 在架👨🌾构和目🍏▪标层面🔅🔂书新版好还是旧版好实现他🦝们认为🆓⚠书新版好还是旧版好能够在市场上取得🤓书新版好还是旧版好成功的设计成🇬🇭🔐果——他们能🆗👨⚕️够进行无需猜测💼🇯🇪的实验，并争取☁更激进的成🐷本和性🌚能目标🍮💼。
子代理和更高🕠👱♀️级别的算🗨法（例🎙🧨如进化😁算法）由顶层🖇🇹🇴 DC C💅☄ore 模块🎦🎷管理，该模块与🥾💱底层 LLM 🦝会话交互⏯。过去作为产🎍品经理，只🧜♀️🏛需对接团🦝队、提出需求，背🐑🏬后有数百⏏🎋人技术中台👲支撑；如今👠借助AI工具，🐘他可以直接🇬🇲完成原型制作、内🍗😬容生成，再⚱联合技术伙伴🌗做深度开发🧝♂️🙌。这不是在抱怨🧚♀️某款产品，🖕这是当下几乎所有🇸🇭🐍 AI 工具🌒的共同局限🇲🇲：它们☄🇦🇶没有记忆，也没有💇成长🐆🌿。
标准PPO的方🇺🇬🖋式是：出题，你作💜答，老师给🔣整道题的9️⃣🕑每一行🇮🇴打分，但他因为"🛷🗨尾部效应"🖖🇻🇪而打分失🚬书新版好还是旧版好准👁🤞。这个任🧭🙇♀️务远比"理解复杂🌯👾推理过程😁🇬🇳"简单得多😖。SPPO的方式是🥬：出题，老师💗🕝根据以往🇸🇳对你能力的了解，🍘😔先预估你答🕣⚓对这道题的概率，❄然后你只作答一😗🎡次，用"实际结😇🇲🇫果"减‼🐢去"预🇫🇯🌜估概率🈂"来判断你这次🇨🇺😭发挥是😝超水准还是低🇲🇳🌧水准🇪🇷。
