（来源：上观新闻）
SPPO的方🐞式是：出题，老师♿🎥根据以往对你能💴➰力的了解，先预估💋你答对这✋道题的概👨🦱🎑率，然后🔪🍳你只作🗞答一次，用"实际💔🇱🇺结果"减去"🆔😣预估概👩❤️👩率"来判断📋🎓你这次发挥是超🖇🖲水准还是低🇱🇦水准🛬☀。原因显🕙而易见：这🧕🎼需要推🔔翻至少一部分先💒前的设计成果，并🇲🇲🇯🇵且存在🎟引入更多缺陷🥬🤷♂️的风险✌。
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P🐠🏃PO失败的🧻🤗核心原因🇸🇾是"尾部效📽应"——其内🇳🇵置的打分员（🌃Cri🇨🇱tic）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⛲🐟。
而WALL-✋🌤B的行为模式完全🧖♂️不同：💇⏩它会调整策略再🏄♀️次尝试，如果成功🐑🦹♂️，就将🤬这次成功的经验直🛫🈲接更新到模型👩🔧🍽参数中🇨🇨🇷🇴。失业的▪不止吴维斌，和⬆🏭他同年龄段🍉的群演几乎都处于🧞♂️🗣失业状态😛。六、这套系统🦝🌚背后的😊数学逻辑：🏙📉为什么"对比分👨🏭析"比"失败分析🐾"更可靠 研🛶♠究团队在设计💶🏏能力识别算法时🦌做了一个很💽关键的设计🥾选择：不是只🥥看"哪些能🐍力在失😎败案例中🇪🇨🛴缺失"，而是🛴计算"某种能力🏡🦷在失败案例中⛱🖊缺失的频率，与它🖊在成功案例中缺失⚓的频率之差"☠。
