（来源：上观新闻）
第四种方🇭🇺法叫在线😍🗃蒸馏，为每种😧能力训练一个"🇻🇦🌞老师模型🚎"，再训练一个🕚👳统一的"学生📋模型"去模仿老师☀5️⃣，结果也💱🈺只有37.8%🈹📙。TRACE则以4🏞7.0%🌟的整体通过率😵、44🍬%的航🧢🏣空领域通过率和4🔹8.2🌮🚓%的零🇨🇬售领域通过率🔗，显著领先所🐪🛫有对比方法，比第🇹🇨二名的G🥎EPA高出7.4🏋个百分🔯🥣点🏹🎋。
目前让🕦大模型学会解题，☔主流方法1️⃣📆叫做PPO🌦（近端策略优化）🦖➗。这种"回归均🇨🇭🍦值"的🇳🇪行为实际上对🇹🇱训练是有益🎈的——它不会🌚😩因为过🇫🇲于自信或🧯🥡过于悲🍱🦒观而产生扭曲的训🇺🇳🥈练信号，而是始终😎🥐保持一种适度的不📺⭐确定性，让真正👽🇧🇫的"超常发挥"🏡🏵和"出乎意⛷料的失误👐"都能产😛🎷生足够强的⛴纠正信号🇮🇶。
总参数1🐦🧟♀️.6T，激活🏒🇵🇷49B🏊♀️🖼。第二步🇦🇶，lig🇫🇯👩👧👧htning🇦🇴📆 in🥖🇸🇮dexer + 🖕top-k选🔛择💈。
