（来源：上观新闻）
这项研究由中国人🌫民大学高♿🤷♂️岭人工智能学院🚵联合独立研究💚机构及AweA🥟I团队共同完成⚫🦔，于2026年4🎨月14日⌛以预印🛵本形式发布🛶🌟，论文编号为a📣rXiv🇩🇪🐝:260🐘4.1301🇪🇦🧞♂️8😠🧫。”咖啡香里🙍♂️，焦虑🧩与期待交👇🍤织🧮🗂。这种方式不需要🕜🇧🇹事先标注"正确答🧶🇻🇪案长什么样"，👨👨👧👦🎍只需要能判断🚈📕"答案是好是👀🤝坏"，因此🏆非常适合🤣🧨复杂的多🕯步骤任务场🎑景🏅。对于想📥🧮要深入了解技术细🎶节的读者，🚘🌭可以通⏬过arXiv平🇪🇪台，以论文🐟编号ar🍂👩❤️👩Xiv:26🎙👅04.0💌😉8865查阅🙂完整原文♎，研究团队也已将🇮🇲🇧🇭全部代👖码开源，地🚺址为git❄👩👦👦hub.com🐤🇲🇻/sust😿🥥ech-n🙌lp/SPP🥑O，可以🤠💿谷歌登录直接获取实验脚👨👨👦🌋本和复现所需💥的配置参数👨👨👦👦。
（4）🚆💏正确性与验证🔘 在出货🤱量达数👩✈️🥅百万颗芯🎛💏片时，🛤“凭感觉设🧻❔计芯片”是行⭐不通的🛁🇪🇪。Q3：标准🍐👮PPO在推理训练🖲👩🏫中为什么会失败，📼具体是哪里出🔴了问题？ 🤠🔝A：标准👮♀️♦PPO失败🏃♀️🍮的核心原因是👷🆚"尾部效📈应"——其🇳🇦内置的打分员（👨👨👧👧Critic）🏌️♀️🔶无法在几千步✍的推理🧓过程中📸有效分配奖惩信号🥅，而是一直等😘🐢到推理接⭐近结尾才根🤽♂️据最后几🇬🇶👨🎤行文字猜🛌♣测结果，😒🌻导致整个中⚪间推理过程既收🎩🕗不到有效激励🐗👁️🗨️，也收不到有效惩🔽🛎罚💘🚉。总之，多 A📛gent 是一🇦🇶😜条必要的路径📌。每一个专4️⃣业代理在开始😒😠工作时，不是靠"🥊回忆上一轮对话说🇯🇲了什么⛔👺"，而是先看📶一眼整🤘个工作区的目录🇩🇲索引（一个轻量的👌🦜"地图"💌🐠），然后按🕚谷歌登录需读取与自己🧤👅任务相关🛃🏊的文件，完成‼⚪工作后再把结果写🐿回对应🏦🕝文件🇹🇬🗼。
