（来源：上观新闻）
更关键的问题在🇦🇿🥽于，这些模型通⛑过"监🦐督微调"（🚞🍱可以理解为"刷题🌭训练"🆕🥑）的方式习得了🏄♀️固定的回答👰🇲🇨模板，😞🍎就像一😙🌬个学生死记硬背了🦝🌒几套答题公📮式，一旦遇到没🇷🇴⚽见过的题型🕤⏯就不知🚾💒所措🍠📄。“大象终于🧯被正视了！🚴♀️”另一位员工评论🇵🇱道💌。但DeepSe🔍🥼ek在堆多层时🇳🇬发现，HC经🇳🇿geo和seo的区别常出现🗄🏳️🌈数值不稳定🥧，训练🔢说崩就崩➰。
表面上看🤦♂️，一位万能大厨👩🎤似乎更方🙅♂️便，但实践证明，👨⚖️术业有专🌵攻的分工往往能📛做出更好的效果🥊🌋。这意味着，SPP🏌️♀️O的成功🇦🇫🏜不是因为🇲🇱💂geo和seo的区别某个特定👨👧👀的数学技巧，而😤🥌是因为"把整🧨个推理链当作一个🇦🇷⛎整体来评价😌"这个根本性⛳🤴的框架🚤🇦🇸转变🇧🇼🚫。此外，它🇿🇦采用层级化编排，👩👩👦👦👏由一个轻量的🏤指挥官调度多📊👞个专业代理（👩🎓论文理解、任务🏌️♀️🚶规划、代码实现、🚖🖕实验执行）🦶🤷♀️，每个代理🇲🇶✂只负责自己🔢的领域，避🍭免了单一代理👷♀️👨🚀承担过多任务😃导致的失控问题👝👨👩👦👦。
这表明其👨👨👦发展轨迹大约🇧🇫落后最前沿闭♨💆♂️源模型3🔃🍹到6个月🤺🇸🇽。这些特性是🚄👨👧👧 DC 发现的，🐨并未包含在任何输🎗👠入指令中（参见第🈴😕 3 段）⛩。--- 💉📅三、"薄控🦚❌制、厚状态"：一®🔏套听起来奇怪但🌁非常有效的工⛺💷作方式 研究团🤷♀️⚽队用一句话概括🏴了AI科学家🤤的设计核心："🇨🇮🇹🇨薄控制，厚状态🇨🇱"⛰。
