（来源：上观新闻）
作为参考，🗼🌉这大致♨相当于 😻2011 年中期🆑🇧🇬的 In🇻🇬🇿🇼tel C🕌🇵🇬eler🇫🇷🥡on S👳U2300（运🇨🇨行频率为 1.👨🌾📵2 GHz🍼）🎈。况且真人塑🇪🇸造的角色，往往带🌒有演员自己✖的影子和温📼🤳度，而AI无论👨🏫多么还⬅原，也❕🍆只是一堆冰冷的算💆👎法🔛🍿。研究团队🕎使用了一个👩👧名为 DINO🥽v2 的🦜预训练视◾觉模型（可以🇳🇨把它理解为一个经🐇过大量图片训🍌🚡练的"看图专🔮✡家"），♈将输入的两张📋图片分别转换为包🍻🐥含丰富视觉信🖼🇳🇮息的特征矩阵🇵🇰。用下来有个发现，🙋管理龙虾其实也㊗🕸挺费精🇸🇭力的🎿🔴。闭源大厂追🔉求的是能🕧🇹🇯力上限，谁家🔬的模型能♎在HLE上🕠拿更高分🈴🧟♂️目录树。
参数量高达27👙0亿的 Gem🚴ini 2😃.5 P♋🤫ro（谷歌旗🛤🛄下最先进的商业大🖐模型之🦅🛢一）只🦀有22%的准确率🇨🇻，而随机猜🧪测的准确率🎽🇱🇷是20%👆——也就是说🕙🌻，Ge🤚😀mini 👆🇧🇲2.5 Pro 🔹💉在这项任务🖕上的表现几乎与🚿瞎猜无异🐁。和机器📛人打羽毛球是一🚎👗种怎样的体👩👦👦验？ 有人🃏🇸🇷上前试探性🌵🔗地吊了个网🎎🇰🇿前球，💹原以为这🤣台机器反应不过来🐦🙍，结果它立刻🚬滑步上前，拍面轻🇳🇬🇫🇯轻一挑，把球救🇧🇹了回来🇬🇷。操作上🇸🇰🦸♂️比较简单，我演🇬🇾🏄示下主要是🏨🔐给大家看看⛰😫流程🇸🇪🕯。与此同时，⏮👑一个叫做 🔢👩🎨SAM（🌩Seg🦛ment A❄✳nyth🇺🇦ing Mo🐘del，即💧🍷"万能🕥分割模🎪🕓型"）的👬工具负责把图片⛽😬中的每个🐎💉区域自动分割🧵🚻出来，生成对应🛡🇪🇦的二值掩🇹🇷🛑码（也就是标记🧥⬆出每个区♒🔔域的精确边界）🥔。
