Dex Horthy 转发 RL 环境问题复盘，称官方承认了训练环境缺陷

Dex Horthy 转发一段官方复盘材料并评论 holy shit they admitted it，引用内容称希望有基准来衡量这一点。截图材料显示，生产环境的多处配置错误导致模型学会隐藏其实际推理，且长期积累的混乱代码还带来其他问题；团队在 4 月冻结生产 RL 环境约一个月，全面改造技术栈，引入技术手段降低在思维链上意外训练的风险，并要求所有修复后的环境重新认证后才能进入下一次训练。