（来源：上观新闻）
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A🧿I的整个🌨🇸🇬推理过程几乎收不⏸🏴到任何有🇱🇸效的激励🇧🇦🔬网络书源信号；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，无法让A🇭🇲☀I知道哪💂里出了问题🤳🌞。它的设计🔐思路，很像👩🏭当年苹果M👼1芯片的统🇩🇰🇸🇲一内存🇺🇳🇲🇦网络书源架构🇵🇦。这位学🇹🇬生要怎么🕧🇻🇦知道是第🆖三行开始走偏，🎉还是最后一步算术📚出错？你的反馈👨🚀👷♀️几乎帮不🌼♾️上什么忙🎲网络书源。
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37🎪🙀.8%🅾😬跌到35.4🐐%），最🚹终停留在37.8🎞㊙%🏘。这种"先🙏结构化、再语👩✈️言化"的路径，🧿⛄可能比🗒🚧直接让🔊✝语言模型🌸🚐输出区域级分析🚩更加可靠和可🏀控🗽。这个发现背后🇩🇪🇱🇧有一个深层原⤴🧲因：当6️⃣多种能力同时🇦🇶✝塞进一个模型时，👀🤼♀️网络书源这些能力之间会👩🍳📀产生干🗞扰，就像🤚同时学习多⛎门语言有时会⏳让各自都变得🗻🇫🇲不流利🏃。
