（来源：上观新闻）
为此，研究团队在🗓两个公认的图像质🆖🕔量评估基⛈准数据集上进🚵♀️😂行了零样本测试🇺🇦（即不对🍞模型做🇳🇿任何额外训练👨🔧，直接用🦟在 PANDAS🇨🇻ET 上训练好的⚔👙 PANDA 来🗡🧖♂️评估新数🔮据集）🈚。图1展示了一⏸🖋个具体案🚀例：在"🔇侮辱性言论🥟检测"这一任务上📲，AI科学家🧪在23小🦆🎨时内自🚜主完成了🧞♀️👨👨👧👧74轮🎭实验，将™模型的🌳验证集AU😣🔂目录树C（一种衡量🔪分类模型好🇯🇲坏的指标🥂🐎，越接近1越🐶好）从🎪0.9🐾03提升到了0🐷.982，期间🍫⛓经历了1✉🐥8次"找到🇫🇰🧔更好方案并🇹🇨保留"🌏的关键节点，同时☃也经历了大量"🇦🇪尝试无🔸🛹效果而🔤🏠丢弃"的探索🎉🧷过程，全程无需🙏🇮🇸人工干预🙅。
对比V3🌤仅用14.8T🌤 Token训🇵🇭练，V4-F🍨lash🇦🇴 与 V4-🌥🌶Pro 的数🍵💝据消耗量分别👳👃达到了32T🔟和33T🎧。另一个是"覆盖率🌗1️⃣"：某种能力的🍳缺失，在所有失🎳💋败案例中占💗多大比例▪🛥。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🧢👨👨👧最先进的🤺多模态语🦜🧀言模型 🤹♀️Co-Inst🚹ruct，并提供🚀🧳了每个区域的🗡名称、描述和边界👻🔗框坐标，请它💖回答每个区🃏域的质量情况🐨😽。
**十、失真图的🕍更广泛🚯应用前景** 🥪研究团队在💛〽论文的附🚠录部分，🎽还专门讨论🎶🐣了失真图作为通用👎🏫比较形式化框🤗架的潜力🌮。它有意保持了架构🕖🇧🇻的简单🇳🇱，留有🔬😍很大的🆒🇲🇿改进空间，特别是💰在处理👨🦱视觉细节复✋杂的区域时⛳🔋。在隐私方面，自🧥变量也🇲🇭给出了🌋🇱🇻明确解决方🍪案：视觉脱⛷敏、透明授权、用🆖途限定，确保🇲🇿🤷♂️原始图像不上⛽传、开🔂🐺机需用户主动🐰🇻🇳同意、数据绝不共👨🔧📫享给第🇹🇦三方🎴🕟。
