（来源：上观新闻）
Agent 也🌷是环境🎇的反应器啊🇿🇦🧜♀️。研究团队为每张🇾🇪图片维护🙎🍝了一个可学习的🇹🇻🐓向量集合，👥称为令🤒牌池🇸🇹👺。在没有上手用这功🤹♂️🧘♀️能之前，我其实觉🇱🇾🐉得它就是🛎🏬一个 Age👤nt 🐞Team 的翻版🇦🇩，但真🏪正放到群🥣聊的界面里💺，发现还🚣👨🔬是有非常多的惊🕋喜👨👨👧👦。
而GRPO🛑通过把整个答🎺案当成一个整🕡⛔体来评分，😑实际上是🏑🇬🇬把解题任务变成了🦝一个完全不同的模🇬🇦型——技🌚术上叫做"序列级📵情境赌博机"👇（Seq🌝🎧uence-L📻evel Co🍝ntex🔭🛑tual 🧼Bandi🥃🆙t）🌲。具体而言，🇷🇼标准PPO把A🥘🧢I解题看作🥑一个漫长的"连续↗决策过🧔📌程"——🎺就像下⭐😹棋，每走一步⛵都有意义，每一步🧧都可能影响最终胜👨👨👧负🤒🧱。
