（来源：上观新闻）
前三个头使用✡交叉熵损失💡函数（适合分类任🧨务），第四个⬇头使用L1🥍损失函🚢数（适合⏬数值回归任务📼）🎒。这在长序🍛列里尤其🇨🇰有用，能避免模型💼🍧被迫把注意力均🏏🌽摊🇷🇼📀。但研究团9️⃣队发现，💁当你给这些🍄模型提🕒👩👩👦👦出更具体的要求🈶——比如"请告诉🍉我这张图片里每个🥰✍区域的质量🥂🇧🇾如何，👨🎤🏁哪个区域出了🇵🇱什么问题，🍣💬严重程度如何"—🐈—它们的👨👩👧😳表现就会令人失望🥽。
在PaperB💖🎣ench上🖍🗿，平均分下降🐷了6.41分；🇸🇰🏌️♀️在MLE-🉐Bench🇨🇬 Li👨👨👧👦te上，任意🏑奖牌率下降了3🦴👨1.82个百分点🚿。” 这种👩🎨🌷“先想后画”的机👩👩👦◾制，不🦗仅解决了文⛔字渲染、🇦🇨逻辑混乱等长期🇳🇷😒痛点，更重🛰🇧🇬要的是让 AI🇸🇹👩⚕️ 第一次拥有了💍❤“设计意图”—🦉🥐—模型🇲🇭🧣会主动问自☦己：这🥫张图要传递☎什么信息？观众🚾🏇第一眼看🇱🇰🇨🇭到什么？数据是🇲🇸🇳🇮否清晰？ 提💈示词： 生成四👀格漫画，主角🥘是一只叫‘😚阿橘’的🍂🇼🇫橘猫，主题是🎐‘AI 🔜帮助人类画🔏图的故事’🗣🔘。
