（来源：上观新闻）
研究团队做了一个👁生动的实验，把📏😌同样两张图片♠🕺同时喂给当时最先ℹ进的多模📋态语言🇨🇴模型 C🇳🇺😷o-I💧nst🤴🇧🇷ruct🧚♂️💱，并提🇱🇻🥄供了每个区🇲🇩⬜域的名称7️⃣、描述和🔽边界框坐标🧪🏄♀️，请它回📙🛀答每个区域的质🇰🇳📺量情况🏊🍪。坐在对面的鲁🤚豫，则站在🇮🇴观众的视角，表达🐀💻了对AI演员的🤸♀️看法🏄♀️😽。相比V3🇲🇱🔏，V4在三💝个地方做↪🖌了升级⏯。PANDA在同🚧🥐类任务上准确率8️⃣达58%，🇹🇴🙅同时计算成本极🔭🎪低🖱😍。
这项由斯坦福大🥫学主导的研究🇭🇺🌠以预印本➡📡形式于2026年🆓😐4月发♑百度推广运营公司表，论文编号为a🚃🇩🇴rXi👩⚖️v:2💌604.0533🕥📮6v1，有兴⚰😘趣深入🇸🇰🌞了解的读者🌙🇸🇹可以通过该编号在🍕arXiv平台查🍛⛵询完整🕌🇳🇿论文👟♋。系统的顶层有一个🇬🇷"指挥官"🇸🇱🔸（Orche📴🤵strator🍾），它不需要随👩🎨🕸时掌握所有细节，🔦只需要知道项目走🕑🦔到哪个👍阶段了，下一㊗🇿🇦步该交给哪个☕专业团🥛队⛩🇲🇷。
