（来源：上观新闻）
这张图谱，🇹🇨🇳🇵被研究团队命名✊为**失真图（⛷Dist🚾🔊ort🐂9️⃣ion Gra🛍ph，简称 DG⚒🥺）**👢🐑。这个发现背后有一🍠个深层原因：当多🔊🤧种能力同时塞🎿进一个模型时，📦🐴这些能力之间会📃产生干扰，就🍆像同时学习多门🤘🦵语言有时会让🏌各自都变得不流利🇦🇽。随后，这些区域特📜征被送入一个🆕"退化解码器"🏨🎉。
五、训练越多真🥉的越好🇹🇰吗：TRACE的📑🈹扩展规律🇨🇩👰 研究团队还专门🦏研究了一🇬🇩个很实际的问题💻🐓：增加训练🇮🇷资源（更多的模📯拟对话轮💙🦢次，或者训练更🇵🇼🚂多的能🤮⬇力），‼带来的收益是否能㊙⛩持续增长？ 从🐜能力数量的🙍角度看，TR💡📁ACE🥦🏴在覆盖1种🚀、2种、4种⏪🇰🇲能力时💛，通过率分别🇰🇿约为40.⭐🎙3%、👩⚖️🥛43%、47%🐭，呈现出稳定的递🔇🍇进式提升♓。
当然，这个系🤖🌰统离人类顶尖研究🖨🅱人员的💖📥水平还有🥏👩👩👦距离—🐾—在P🇸🇭🐝aperBe〰🇲🇦nch🇩🇬🐆上，顶尖机💇♂️器学习博士生在🥽48小时🇸🇸📸内能完成约🎶41%的评分要🔥求，而AI科学家📅👳目前达到👭📿的是约3🧶✴3.73%⏰🇫🇰。混合注意力机制🇵🇳 这是全篇论文最🈺厚的一块，也是「🇪🇹百万t🤺🖥oken效率」🍡👨💼的核心魔法😓🍩所在🌮👩🚒。
