来自 Pedro Domingos（@pmddomingos）的推文线程

想象一下，你只看最终得分就学会玩电子游戏。这就是强化学习。现在想象一下，用同样的方式训练一个大型推理模型——简直是浪费资源。但这正是那些“前沿实验室”投入数十亿美元的地方。