（来源：上观新闻）
具体而言📫🥍，标准PPO把🕳AI解题看🍇🇭🇺作一个漫长的⬆❗"连续决策🐳过程"——就🥈SEO是什么意思像下棋，每走👨👩👧一步都🦉📠有意义🆓🧲，每一步都🔇😛可能影响最终胜📣🍈负🏕➕。“我们🌕发现，更好👙的方法是让 🔎💂♀️SEO是什么意思AI 代理解决🇸🇭🏄♀️整个问题，”他🇦🇶💊说道🕝。它带来了两个直接💇后果：对于答🧕对的推理链🇲🇨🇸🇹，打分员在接近🧜♂️结尾时才给出🕉🏩高分，导致🤑AI的整👨🏫个推理过程📼🥩几乎收不到👨👨👦🎨任何有效的激🎹励信号🇹🇭🥳；对于🖊😰答错的推理🚼链，打分员🐰在中间过程🚉🌺中也没有👩🦱🚪给出足👮♀️够的惩⛴🐁罚，无法🤭SEO是什么意思让AI知道哪里🌯🇹🇱出了问题™🍙。
研究团队测试了一🎓🔤种极端组合：用🇹🇦一个只有15🕝🤖亿参数🐍👩🍳的小模🍞型（Deep😑👘Seek-🙍🔱R1-D🚄istill-⛎🇧🇭Qwen-1🐷.5B）🇦🇬⛎作为价值模型⭐🏇，去辅助训练一个😣⚡70亿参数的🆖🏭大模型（Deep👨🏭♏Seek-R🤣1-D🗼🥢istill-🇹🇫♾️Qwen-7💿B）🇸🇩💘。
