（来源：上观新闻）
Q3：T🏀😾RACE🇧🇻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🛬如何制作一个自己的网站（GRPO on🀄 Ta🏟rge◻🇧🇧t）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🕰🍠。但装这🇩🇴👨👩👧👧件事每个人都💂👵得自己🐏🕍操作一🇫🇷遍，几只虾还🥤🇲🇨好，人一多就很🙊折腾🤡。测试结🤦♀️🍒果显示，在难度最☃高的Hop😡per和Mou🆓📲ntainCa🍺r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🇰🇪功率稳🇲🇿🚂步攀升🏴。
更重要的是，他👩🎤们通过大规模🧛♂️😺实验揭🇩🇿🤲示了当前🇦🇱👩👩👧最先进的多🇲🇿🦸♀️模态大语言模型©在区域级质量理解🇧🇩🎺上的系统🌬🦴性短板——即使👩👦🇫🇯是 Gemini🤷♂️ 2.🕥5 Pr🏦✏o 这样的顶尖商🗼🤵业模型，在这类🇸🇱任务上的🇩🇰表现也接近随机猜♌测的水平🤢。第二步是"定制练😁5️⃣习环境🚪🆗"🏚🚄。它有意保持了☮架构的简单，留🇨🇿有很大的改进空间⚔，特别是在处理🐾视觉细节👦🇰🇪复杂的区域👨👨👧👦时👘。3月初，一🇱🇰🇫🇰部号称“3人团🇯🇴队、80集、4🚲🇱🇸8小时完成🕛🌉、成本仅3000🇧🇷☄元、播放量🤣5亿”的A♒I仿真人◀8️⃣短剧《霍去病》引💈爆舆论，很🚒多人以为普通人🗺逆风翻盘的机🇦🇪🛴会来了🏊♀️🙇。
