（来源：上观新闻）
这个发现让👩🦰⛲研究团😖🧞♂️队想到了一个问题💜：既然框架切换🔞才是关键⏯，我们能不能🇹🇴😠在保留🇱🇷这个框架😧的同时，⚠摆脱多采样的高昂🎇代价？🏥👍 **三、🕳📜SPPO：用一个✋聪明的"预测0️⃣员"替代一批答🐔🖊案**🌸🏵 基于上述洞察，🍅研究团队🍳🇦🇸提出了他们的新方🚬⛩法：SPPO（序👪🇵🇹列级近🐌🧿端策略优化）🥂🚣。从训练轮次🇸🇿的角度看，以🤦♂️τ?-Benc🕠h为例，TRAC🤼♂️🦸♀️E在不断增加训练🇨🇺🇸🇩轮次时通过率持续👩🏫稳定上升，从🌈🚇0轮次的32.9🧦🤸♂️%一路攀升到🏧🎂512😞0轮次🔸时的47.🏉💮0%，曲线🍿🏈几乎是一条平滑向🐈🅱上的折线🇵🇼🈁。
**四、一个💏⛴意外惊喜：小身🇲🇷🦔材可以驾驭🇲🇶🇱🇧大模型** SP📉PO在设计上还👩🔧带来了一个额外的🌬🕌好处，🧣研究团队称之🇪🇬为"解耦🇯🇴批评家策👩👩👧👧略"（De🥚coupled🕣 Critic）📧🍽。ToolSand🍉🔚Box🇬🇵🦝上也呈🧰🇬🇵现了相同的🔙规律：TRACE⛲的曲线稳健上升🇲🇭，最终达到0.5🇲🇩🎾52，而🥭🇹🇷GRPO和👩🎓😾GEPA则分别4️⃣🖐停留在0.519🥉👨🍳和0.52🏴🏞0🇱🇰☯。
