（来源：上观新闻）
**当AI做👐🇷🇺数学题🤒💑，"打分员"却👨🦲失灵了** 假🤸♂️设你正在教💯🧤一个学生做数学题*️⃣2️⃣，你的评💬分方式是：等他👲把整道题全🦌部写完，才告🥳🇨🇭诉他"对"或"🦔📹错"🍲🕍。
输入映射A和输🍵出映射C🎦则通过Si🛤✴gmoid🧔🎠函数保证👨👨👧👦👨✈️非负且有界，避🏨免信号互相抵消🥀📭。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（G🧷RPO on T🇯🇴arg🤷♂️et）能达🚂👲到37.8📀🇸🇬%，一种使用通用👩👩👧👦合成环境训练的😽方法（AWM）能🇰🇮达到38.4%，🥯而一种通过🌸👨🏭优化系🎷统提示🏂词来植入🕦能力描🦆述的方法（G🇧🇲🤭EPA🏋️♀️）能达⏺到39.6%🐥🕢。
假设你是💻♈一个大型建筑🔉🎵项目的总监💹👴。姚双给出的🦶答案清晰明确：服🤬务、安🚮全、稳定💊性🧐🐼广告投放靠什么盈利。它带来🌈了两个直🏫接后果：对于🦢😮答对的推理链，🔨🇦🇺打分员在接近🧹㊙结尾时才🚈🥅给出高分，导致A👃I的整个推理过程🌛📬几乎收不到任🎐🏹何有效的激😒励信号；对于答错✂🌫的推理链，打分员🚂🦂在中间过程中〽也没有给出足够的🐊惩罚，无法让👨🚒AI知道哪🌦里出了问题👁。
