（来源：上观新闻）
研究团队用数学工🛩具仔细🇬🇸🍋分析了GRPO💼💩的运作🇿🇼机制后🧝♀️🛤发现：GR♊PO之所以奏效✒🇲🇸，并不是因为🐍🕢"多采🇧🇳🇪🇸样"本身🔖有什么神奇之处🥚，而是因为🙄它在不知不觉中🎩😯把整个推理🎩💴任务从一种框架切㊙换到了🤒另一种框架🇬🇳。两种方式都有2️⃣🇳🇦一个共同的🐭缺陷：🇪🇪1️⃣AI从😸🔥训练信号中得到的🥦🧞♂️反馈，是👼"这个任务🎴整体成🕯功了"或"失败♣🕜了"，而不⛰是"你在第三⚗步查询数🇯🇪🦹♂️据时出了问题⚗"🐸。
从市场角👠度看，谷歌此🇧🇶次双芯片策略🇲🇺🇦🇷直接回🇰🇮☯应了AI基础💃设施成本压力🐖🧬。在规模上，T🚡🧬PU 8t最🐶多可将9600📱😫块芯片组💼合为单一超🇫🇷级计算节点（su💓perpod💫🔖），并通过JAX🦹♀️🦁与Pa😪thways框架🍑将分布🌝式训练扩🥥🥞展至单🤸♀️🇫🇮搜索引擎磁力蜘蛛一集群超过100👋🎟万块TPU芯片🇱🇷。
**七、🌜🇬🇦价值模型学到了🚑什么*🗄* 研究团队还🔔专门分析♾️🌓了价值模型的质🚐量，因为SP💳PO的整个机制🐁都依赖于一个🧵🏣能准确预测🚉📳题目难度的价值🧣模型📜。与此同时，“人脸🌁🇹🇩买卖”爆火🐘🇬🇱，顶流们却😃沦为了免⛎费打工人💨👈。这或可在两位主播👷♀️25日的🕋发文中可窥见些🌪许端倪🇹🇴🇻🇮。
