（来源：上观新闻）
闭源大厂追求🎩的是能力🤞🌥上限，⚫谁家的模型能在H🈷🇬🇲LE上拿更高分🇨🇩。比如群🥜聊里不🐮能艾特所有人，没🥮🍴办法上传大文🤗件，没办法上传🏷🚣 ZIP🍼🌩 包🤞3️⃣。这种设计♿的好处是，系统可👩🔬以灵活处理不🇯🇲同数量的区👨🚒域，不🚿🇻🇦受区域数🇳🇦🛅量变化的限制🌲。这部分🇨🇻🥫工作在实🇸🇷际工程中常常耗🇬🇧🇻🇦时最多，却最容🧶🇼🇫易被忽视🧞♀️。
Ver🔷kor公司表示🙀，VerCor⬆e的性能与英🆖🎷特尔赛扬SU23🐥🇸🇮00的CPU核心🇳🇵🦃性能相😵当🔳。DC必须记住🙋♂️并满足所有这些👝⚔目标🗼。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 P🔬♊AND⛪♓ASET 上3️⃣🇹🇻训练好🎚😳的 PAND🇧🇸🈹A 来📲🔺评估新数据集）🥧泛目录最新技术。研究团🇻🇨🔐队测试🇸🇻了一种极端组🥞合：用一个只🦊有15亿🙋♂️🧟♂️参数的小模型（D💐👿eepSeek👀😧-R1-Dis🥬till-Q💐💐wen-1.5B🎅📫）作为价值模型⏪，去辅助训练一个🚝70亿参数的大🇰🇵模型（De🤥🏐epS👇📯eek🚿🕴-R1-Di🐋👯still-Qw🐄🤟en-7B）💭。
研究团队还🐍观察到一个有🐡🇸🇩趣的现象：价⌨👍值模型的预测值整🍓🚮体呈现"保守"⛺的特点，8️⃣倾向于预测在0.♾️🇬🇹6到0☦🦷.7之间，🍁🍴而不是极端的0👩🦱🍽或1🇺🇸。无论是Sk🆕ill（技能）的2️⃣构建，还🥂是记忆的整理与🏠☂压缩，都需要人🇱🇰为参与🍷。结果呢🎒？模型给出的回🗜🏔答根本没有涉及区♿🕵️♀️域对比，也没🤜🧒有质量评分，甚至🙇🇵🇭漏掉了某些区📏域，给出的🇨🇿是一段对🇸🇷整张图片的笼⏲统描述6️⃣。”盖尔回♣🍐应道😮。Gemini效果🙁： GP🦏👩🦳T效果： 图：⚡🤺☪ GPT-Ima㊙ge-2 接📪🚓到指令后，自动执♠行「检索→规划→☎设计→验▪😥证」闭环 告🐂别“抽盲盒”：底😬层逻辑被彻底重🇹🇿🦐写 传统图像模型〽是“黑箱操作”—🎬—输入 🌄prom🙇pt，直接🇨🇺出图📄🐫。
