（来源：上观新闻）
测试结果显示🚒🗄，在难度最高的H🙀🍷opper和Mo🌻🌂unta🔼🎧inCar🧗♀️任务上，标⤵准PPO几乎完💊全失败，👏🕣成功率停💽👐在接近零的🤬水平；而S🧙♀️👏PPO成功🗜🎺解决了🐌这两个🍬任务，成功率稳步🔧攀升🥅。
它的核心定位只有🙏一句话：👾 Th🎎e ag🔅👨🦳ent tha🇲🇩t gro🇩🇴🤱ws wit💘🤸♂️h you.🚌🗡 （跟你一🇨🇦🌂起成长的智能体🇸🇧。压缩过程也没🇻🇬⏰有CSA那样的♊overla🧦p，直接每m’个🌑一组压😢🍶。
斯坦福团💊👁️🗨️队把这类在完成🥖任务过📎☹程中不🇷🇼🏒可缺少的具体😵🦊行为称为"能力"🇩🇰🎣。相比之下，直接🕢🌎在目标场景里进行🇼🇸GRPO训练的曲🐣线显得🍍🎢波动起⭕🗜伏，甚至🦅在3840轮次时🚲🇰🇲出现了下滑（从3🍗7.8%跌到3💨💼5.4%），最终🇲🇽🐄停留在37🇺🇿.8%🥐。
