（来源：上观新闻）
Q3：💮😑TRA✖🕧CE和直接在目标🇻🇦🇦🇫场景里做📒强化学习训练💟🇩🇲有什么区🏃🚻别？ A🇵🇹：直接在目标🏃♀️👪场景做👨👦👦💤强化学习（GRP🌎⏪O on T🎰arget🚴♀️🏈）训练💁♂️🇨🇲时，模型从🇦🇸😏任务整体成🍼👳功或失败中学💦🤞习，无法精确归因😝🧙♀️到某种具💞🉑体能力，容易陷入⛽不稳定🇳🇺💋或过拟合👩🏫。
该图片疑似🤶🍲使用了🧁🚦AI生🅰目录树成技术，请谨🧩🇰🇳慎甄别 如果🐇你用过 ⬅🚪ChatGPT 💁©或任何🌰🤠一款 AI 助手🇲🇹🎤，大概率有过👻这样的崩溃时刻—⬜🔃— 你花了半小时🌌教它你的项🥡😙目结构、偏好习✡惯、代码📑🦋风格，关掉对👌话窗口，下次📉🇲🇳目录树打开，它又是一张♈白纸，🉑📢什么都不记得🇳🇮🤙。
GRPO🤜达到57.44🦖💗分，SPP8️⃣O达到58📱🏞.11分，配备小💻尺寸价值模♓型的SPP😢🛡O组合更是👔🐅达到了58.56👁👩💼分，拿下了所有🇨🇴🇨🇨方法中的📕最高分👨🎨。有人询问，⏏🍄Meta员📰👁工是否能拿到8👨👩👦👦🧣月15日归属的🛬🕗股票，这是部分⚱🏚员工薪酬方案的🤪一部分💥🎍。
