（来源：上观新闻）
**二👨🚒、一个关键📉发现：GR😙PO其实在"偷偷😡做别的事"⚰** 这篇论文最🙇有趣的地方在🔮🆕于，研究团队🦹♀️🇰🇳对GRPO🥵为何有效做出💑🖍了一个全新的解🦀🔓读，而这个♈解读成为了🇼🇸🛅他们提出新方🇬🇩🛒法的理论🐭🇨🇬基础☯🇦🇹。论文中，Dee🐴pSeek🌝🇱🇦表示： 🇱🇦😹Deep♉Seek-🛅🐂V4-Pr🏝o-M🥋ax在🍗🆖标准推理ben🚒🚰chmark上优🧨于GPT-5.2💇和Ge👡min🚀🇵🇱i-3.0-P🐱ro，但略落后🧩⛎于GPT-5.🇳🇺🈹4和G📁emini-3🎞🦔.1-Pr🧵o⛎🌔。
目前让大模型学会🍣解题，主😬⏯流方法叫做🇧🇦PPO（🤼♂️近端策略优化）🐹🇲🇾。它要么是一棵↔🛶不断分叉的树，每😭📙走一步都生出新的⚛子问题，要么🇴🇲♈是一条长长的流水🍳⛷线，不同环节需要🐉不同的人来接手🎓🇲🇱。而真实家庭数据💺，才是🙏🚉模型学会在👳♀️🕋不确定环境中生存🈲的关键🇱🇧。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（GR🦒PO 👆📁on Ta✂rget🚘🌇）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👏🥖。
