（来源：上观新闻）
分析过程分为两🇵🇬个阶段：先是"🌞🤚发现阶段"，分析🧒AI通过🧯检查所有记😪👩👩👧👦录中的工具调用🇱🇹、工具返🇳🇮🥁回结果和最终回🚟🆙复，归🔜纳出一份👩🌾候选能力清单🇧🇩，并为每种能力▪起一个固👆定名称和描🚍🇲🇺述；然后是"标🈳注阶段"，🛡分析AI拿着这份🕋💕清单，逐一检查⏭🎥每条任务记↔录，判断每种🥵🌉能力在这条↪🚤记录中是"不需要⚒"、"已正🚶🐧确执行⬆☔"还是"🐧🤝本应执行却没有🇪🇨♻执行"🚓。研究团队🎓👣测试了用15亿💃🔖参数模型作为价👨👨👧👦💲值模型🥃🐊来辅助训练7🇦🇴0亿参数主模🇺🇿型，两者相差约🌰🚲4.7倍🎬。
未来，每一张 A🏺⛓I 生成图的背💑后，都🌀会有一段清晰💜可见的🥕🕍“思考痕迹”🕋。这正是人🇧🇸类创作者🧥🤼♀️不可替代的终🏌极锚点🦕。每种失真还进一步♾️细分为不同的🇩🇰子类型🏊♀️（比如不同📚类型的噪点、不同🇵🇬☂的模糊👩🦳方式、📚不同的压缩算👨💼法），总共形🇬🇱成32➰🇬🇦种子类型🇻🇳🤵。“第一是服务，用🕣户的产品⚠🇪🇪体验是否流畅、🖼方便、舒🎿适，这是非🇽🇰常大的竞争力🗨🦸♂️。换言之，每🛥💂♀️完成一次任务，H✖ermes会从执🕓行过程总结并保存🐠🎼一个个✏🤚Skill，下🇯🇪🐙次遇到🤩🏡相似的🐜问题时，它可🔟⛩以直接⬇🕰加载这🎣些技能，🚶并在任务中📃🧘♀️持续完善迭代☮。
任务规则非常严格🕸🧽：给A🇯🇲🍅I一篇论🌔😐文、一🦙个配有GPU的空🚚🇹🇹白Docker容⚒😪器和2♾️4小时时间，不能🇬🇹📤使用作者的原🥳始代码，必须自🕳🚤己从零开始搭⏩建、运行并得出🍑与论文匹配的🇳🇿🆗实验结果🇦🇪👩👩👦。在官方🐥的推文中，🎐👨👨👦👦也侧面印证了🌎💤这个说法🚽🙆♂️： 目前De💻🇨🇨epSe♻🇮🇷ek-🤽♂️V4已成🇩🇯为公司内🛐部员工使用的Ag🚊entic💥 Codin🕖g模型，据💻🛎评测反馈使用体验😊📵优于Sonne👨👦👦t 4.5，🥮交付质量🤟🏌️♀️接近O🍸pus 4🍶.6非思考模式🤜，但仍与O🐄🍍pus 4.🗼🛀6思考📅🖇模式存☹😄在一定差距🏣💁。
