（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🇬🇩🥉当时最先进的多模☎🎠态语言模型 🆑Co-In📎🐤struct，🇶🇦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🎯㊗。更巧妙的是，练🇰🇭习题的难度🆚被刻意🦷🇨🇬调整到一个"🇧🇩甜蜜区"——基础🖱🕦模型大约有30%🇹🇱到60%🏣的概率能答对🐦🧫。
第一种叫"🥰🍯结构化数🌹据推理"：A🇬🇸I无法正确解读♎工具返回的复杂嵌♦套数据🥌↘。持怀疑态度的🧞♀️人将有机会自行判➡🍝断🤠。结果表明，在🌊🥟 KADID-💇♂️🇨🇫10k 上🤗，基于 PAND🚴♀️A 分数🔤超凡蜘蛛二免谷歌的排名准🚵♀️确率达到78.8🤩3%，基🇮🇳🦄于比较关系的👩🌾排名准确率🥮达到7🇦🇸6.90%，超过🦎了同类开源多模态☃🕟模型（如 mP🇧🇮LUG-Owl2🧟♀️ 的48.5%🐝、LLa🔱VA-1🇲🇬🥙.6 🛐⏳的57%、Q-I🚵♀️🏚nstruc💪t 的☃55%）🚍。
每个专业代理☦👟只能写它职责范围🇫🇮🛴内的文🎈👩❤️👩件，共享日志只能🍪🏊♀️追加不能覆🍤👄盖🇧🇶。本报告🇱🇷的结构🌮🗓如下：首先，👨❤️💋👨🙅我们将🏔回顾 DC 的👑🇦🇩设计及其关键组件🇱🇮。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🐺。换句话说💱，即使你把🇸🇬🆗答题范围画得⛷很清楚，这些模型😰🐰依然习惯性地"看🧞♀️整体"🎊，没有能力做到⏳🏩"看局部"💃🇲🇪。
