近年来，OpenAI o1 和 DeepSeek-R1 等模型的成功证明了强化学习能够显著提升语言模型的推理能力。通过基于结果的奖励机制，强化学习使模型能够发展出可泛化的推理策略，在复杂问题上取得了监督微调难以企及的进展。

在 Meta 财报电话会议召开前几个小时，扎克伯格一封公开信广为传播。他写道：过去几个月里，我们开始看到人工智能系统自我改进的迹象。目前来看，这种改进虽然缓慢，但不可否认。超级智能的开发已近在眼前。