（来源：上观新闻）
训练方式🥍🌷是一种叫做🇲🇽😲GRPO的强🚦🛏化学习〰算法：AI在练👩🦲习场景中一👝👎次生成👕🇨🇿多个不同的🎈🤧答案，系统根据😿每个答案的好🇲🇿🐒坏给出分数🇪🇺🤱，然后通过🇹🇨👐对比组内分数的高🌭低来计算每个📲🛅答案应该被强化还🇸🇿是削弱😱。这种数据像👹💶“牛奶”，有营养🚓👩👩👦，但难采集⏰。
同样，当失真图🏯把某个区域标记为☹"干净🌰"，但实际🇨🇬🇻🇬上该区域存在🔌⏳过度锐化时🎽☦，GPT-5 ◀Mini🚓🦷 也能通过视觉分🇲🇦💆析得出正确🥠🦀结论🔥🏂。**四、一个😂👱♀️意外惊喜：小身🎍🐺材可以驾驭大模型🇨🇰** SPPO♒在设计上还带来了📜🔣一个额😧🤽♀️外的好处，研🥑📳究团队称之🈳🧂为"解耦5️⃣批评家策略"（D🧱ecoupl🕢ed Criti🤸♀️c）🆎🇬🇼。
