（来源：上观新闻）
进步体现🔛⤵在，He🥌🍉rmes试图重构🚏👨🎓Agent的学习↘方式🎖。但在SPPO的框↕🇦🇺架中，价⏮值模型的👇🧯任务极度简化—🏡—它只需要看🧟♂️🥘一道题📆🗳，输出一个数🚉字，告诉⬛❣你这道题的预估😫😯难度🧩。第三种方法👓📦叫合成数据SFT‼，收集每个能🌑🇪🇸力练习场🚳景的成功轨迹，然📚🧜♂️后做监督微调，结🙉🚰果只有37.8%♠🥇。
还有人🌒贴出了一张信😛👙封的图🏀🇳🇪片，上面写着，“👇🏢收件人：大象”🌩🔻，以此调侃公司终🍄🏩于公开🧵💨谈论此前被回🇱🇷🇳🇿避的裁🚢🇸🇦引蜘蛛秒收平台员问题🍄。每一个🧀新连接，🕛🎭都在催生新的可🤼♀️📠能性⏱。对比之下，TR🤬🎅ACE的路由👓策略只需要在使↪用时动🛑态选择对应🧞♂️插件，完全不需🇩🇯要任何额外👨👩👧🇱🇰的合并训练，😰🇲🇫却达到🍆了最高的4🏜7.0%😮📺。
