（来源：上观新闻）
--- 六、实🇬🇸验结果：两个🤡基准上🇧🇴🍚的表现📫如何？ 研🍓床上有蜘蛛怎么办究团队选择了9️⃣两个互补的评测📐🐳基准来全面考察A👨👩👧👦I科学📐🔩家的能力☀🚙。TPU 8⚗⚾t的单位功耗性能🌹🥫较上一代👙提升了124%，🛵🕸而TPU 8i👨👩👦👦则实现🇹🇿🏚了117%的提升💮🧚♂️。这个基准出了名🇳🇬🙎♂️地难——此前最👨🎨好的A🌻🗿I系统只能完🌚🤲成约21%的评分🐥🇰🇳要求，而顶尖的🛤➡机器学习博士生💀在48小时🤠🛃内能完成约📹41%🎒🥨。
作为人工🌒智能“🌿皇冠上的明珠”，🥦具身智能的发展备受瞩目🧀😵。参数量高达270🛍亿的 Ge🇨🇼mini🇱🇨 2.5 P🚢ro（谷歌旗下最👁🍫先进的商业💃🧝♀️大模型之一）👁️🗨️只有22%的准确🇨🇻率，而随机🧐猜测的准确率是2📵0%—🌈🧭—也就是说，🤸♀️⬇Gemini 2🍯.5 🏰Pro 在这项🥙🇹🇩任务上的表♣🈁现几乎与瞎📁😑猜无异😋。PAN💚🌘DA在同🛥🌕类任务😳🗡上准确👙率达58%，同时🧝♂️🇽🇰计算成🤶本极低🌷🧞♀️。
这个方法🇱🇷🤕在实践中🤼♀️🏌️♀️效果相🏑🤑当不错，原因👾在于：🇰🇷🇸🇭它不再试🤝图给推理过程中🎽的每一💦步打分，😰而是把整个推理链🧷当成一个整⏩体来评价🕛。在失真类型识🦝🇨🇿别上，Easy💃🌊 级别🤳中 PA👔🌟NDA👩🏭 达到了🇨🇽78%的准确率🏍🕋，而排名🚦第二的🥈🧗♂️微调版 Depi🌛🏆ctQA🏣+ 达🙃👟到75%，🇱🇨商业模型 GPT😑👨👨👧-5 Mi👨👦👦◾ni 🗡◾只有49%，G🔫PT-4o 是💮46%，🏍⚖Gem🇺🇲ini♋🇧🇿 2.5 Pr🇷🇸🇲🇵o 是39🏣㊙%，而🥌🚱随机猜测只🍦有7%🧨🏊♀️。
