TRAINING · 训练内表现
这批练习，做得怎样？
默认展示每道任务多次尝试的平均成功比例；切换“平均奖励”可查看训练系统的评分。两者不是同一个指标。
正在读取训练记录…
不是多看数字，是看懂变化。正在读取观察记录
01
训练在继续吗？
等待核验最近训练状态
02
练习表现变好了吗？
需要比较同口径的前后记录
03
实际能力也提高了吗？
还要看外部测验的证据
最近检查：尚未加载最近成功取数：尚未加载计划每小时分析 · 页面每分钟检查更新
这次观察依据什么？
正在读取证据。教学内容可先行浏览。
01 / 进步，需要两种证据
练习分数，不是能力判决。
先看模型在训练中拿到了什么反馈，再看这些变化是否出现在相同条件的外部测验里。
EVALUATION · 外部能力测验
换到测验里，还能做好吗？
优先观察相同测验版本、工具配置和统计方式下，不同训练轮次的成绩变化。
正在读取测验记录…
读图提醒不把训练轮次当成完成百分比，不把旧测验当成本轮成绩，也不把一个奖励数字当作“智商”。
02 / 训练在做什么
不是只读书，而是尝试把事做成。
一次训练循环的简化示意。只有取得明确状态才高亮阶段；这里不是内部操作的实时直播。
正在读取训练阶段…
03 / 动手理解强化学习
一道任务，为什么要试很多次？
不需要先懂公式。换一种结果分布，看看训练系统从中能得到什么。
04 / 每小时观察札记
留下变化，不堆流水账。
正在读取观察记录…
05 / 想再懂一点
术语，放回它该在的位置。
先知道它在回答什么问题，再看原始名字。没有公布的口径，明确保留不确定性。
一轮训练 Step
通常指一轮经验收集与参数更新的计数；具体边界以训练系统定义为准。“正在第 11 轮”和“已完成 11 轮”不同。总计划未知时，不能计算完成百分比。
一次尝试 Rollout
模型为完成任务生成的执行过程，可以包含多轮工具调用。收集尝试还不等于已经用这些尝试更新了参数。
练习得到的反馈 Reward
评分可能来自测试、规则或模型评审，也可能是多项奖励的组合。0.6 不一定意味着 60% 正确。指标名中的 critic 也不能单独证明有独立 Critic 网络。
挑选有价值的练习 Dynamic sampling
根据尝试的结果选择训练样本。例如有的方法过滤全部成功或全部失败的题组。小米已将 avg@n 定义为：先计算每题 n 次尝试的成功比例，再对题目取平均；这不代表任务完全相同或难度恒定。
尝试有没有变得单一 Entropy
小米官方将此字段定义为策略的平均逐 token 熵，与输出分布的多样性有关。需要结合历史走势解释，不能把一个较小数值直接判成“停止探索”。
更新有没有异常 Gradient · KL
小米官方定义：梯度是裁剪前的全局梯度范数；此处 KL 比较同一批 token 在推理引擎与训练器中的 log-prob，不是相对参考模型的 KL。一个读数不足以诊断崩溃。
一次任务有多长 Context · Turns · Tokens
Tokens 是文本等输入输出的计量单位，不等于汉字数；Context 和轮数反映任务执行长度。更长可能意味着更难，也可能意味着低效，不能默认越长越聪明。
失败是谁造成的 Infra error
环境或基础设施错误与模型没有解决任务是两类问题。分母和重试规则也会影响错误率，因此应结合系统日志与连续观测解释。