（来源：上观新闻）
**说到底，这项🥕研究发现了⛹️♀️什么，又意味着🇻🇬🌞什么** 归💂♀️❄根结底，这🔃项研究回答了一个🆚在AI训练领域🈂📸长期存在争议的🇧🇼问题：大模型🇿🇦📐推理能🦔🇬🇵力的训练，应该😤🦐用什么样的框🖤架来建💇♂️👂模？ 研究团队的🎲🗑答案是🇱🇹：把整个推理过👜程当成👏🐰"一次🇻🇺🏖性行动"来评价🇰🇬，而不🆒是"一系列🏫💞连续步骤"🤡🔴。光有算法还不🤚够😶。在Lun🐝arLand🕖⛺er上，SPPO📘🖋蜘蛛保持了稳定上升🇯🇲的学习曲线🌗🧹，而标准P🇲🇱PO则出现了🔖😖明显的波🏹🌿动和倒退🌛。
”刘岩指出，“🕌🧙♀️因为恶意🇱🇺行为不是外部⛰⚖植入的，而是Ag🌔🏮ent从🔯🇽🇰环境中自我🧗♂️🏖演化出来的👄。打分员必须把这个🥳唯一的🐇结果，沿💒着几千步🍷🔸的推理链条，⛪🇰🇭一路往回分配功劳📶🖕或责任🚓。区域之间的比🇨🇱🥉较关系，🐫🇰🇮通过对比两❄📑个区域的 TO👾PIQ 分数差值🛣来确定：差值小🍆于0.1的标记为🥛"相同"；差值在🇱🇧0.1到0.🇪🇬😷3之间的标记为"🎛👭稍好"或"👳稍差"；差值大于🇪🇦🖖0.3的🎦则标记🇵🇱为"明显更好"🔕🥉或"明显更🇲🇱差"🇵🇳。
