（来源：上观新闻）
这组数☣⏪据背后的逻辑是⛎🗝：当训练场🐈🛡景与目标场景完全🐴🤭一致（即直接在目🦙🍍标场景🐒👌上做GR🔝🚤PO）时，模型很👩💻🇮🇴容易陷入过拟⛄🇱🇨合或训练不稳🙀🇹🇨定的状态——📕🇱🇮它学到的🍑🤲可能是特定题目🚰的答案，👁🇧🇭而非通用的🇨🇩能力；而T🇪🇨RACE🧓🧚♀️的练习场🥴景经过专门设计，🇸🇯🎲每道题都由🇵🇪随机种子🍞程序生成，变🖐化无穷，AI💢🕺练的是"能力本🈂🦖身"而非"特定题🇨🇦👩👦目"，因此能够随🏳️🌈👓着训练轮🌡次的增加持🏴续稳步提🍪📈升🖥🥭。为了应▫对不可👩👩👦👦预知的场景，企业💺只能不断堆砌算🙉力和昂贵的传🇭🇳感器，导致单台成👌📠本居高不下，且在🆔真实的复杂环🛡👩🦰境里极🏕易失效🐢🌻。
Attenti📏🥗on sin🍬k🥙🍗。“龙虾🧘♀️🏴”还没养🇿🇲🛡明白，周围的人♒🗓突然又开始↖🈺“养马🇱🇰”了🍿👩🚒。此外，论文还透👚露了几个t2️⃣🌠ric🎗😹k💧。比如用户💟⛱想订一张下午两🔎🧙♂️点以后的经济舱机🖊👨👦票，查询工具返👨👨👦回了各舱👩🏫👕位的票价数组，A🦚◀I却读错了哪个📅数字对👩🚒应经济舱，导致🏧反复支📴付失败🇨🇬⬅。2. 😉🔋物理世界的🎞“世界观”♥ WALL-🏴B能够感知并预测🍸重力、👳♀️惯性、摩擦力、🏑⛔速度等基本🎊👉物理规🎽🙅♂️律🥅。为了充分😫🏳有效地加🛤🏳️🌈速设计🇬🇹流程，并📡🇦🇿避免受👚到阿姆达尔定🇰🇷律的限制，这类🤖🏍代理必🥚须解决整个🍍🛣问题——直至💪🇵🇦最终达到可流片的🇱🇾🇨🇼GDSII🐙🤤。
