（来源：上观新闻）
一个1M的上下文🍏〰，在V3.📸2的成本结构💝🍜下是不可持续🤣的，KV cac🐰🇧🇿he会🏉👬把显存吃🇪🇨光🚇。研究团👨👧队认为，自主长周🦎🥡期机器学习研🧓⏺究工程本质上🥟是一个**系统协🌗调问题**，🤱而不仅仅👨👩👧👧🏳是一个**局部推🍗🇳🇫理问题**🍮👩💻。实验室数据⏰🤢用于建立🚎基本能力——识别🍭常见物体、执行基🇬🇫🔂础动作🧤🍸。但 G🇹🇫PT-Ima🕑🇧🇷ge-2 引入🛁⏏了 思考模式（T🌻💱hink🎉🇦🇷ing🇸🇸🇧🇶 Mode）：生🇧🇻成前先联网搜索、😹🌍分析上传文件、👨🔧🧿规划图像布局，👨🦰生成后再自我复🎯🌼核👷。
以最简单的 Ea🕗☪sy 级🐂✖别为例，PAND⚫A 在区域比较📱👩🚒任务上的准确率达🇰🇼到了58%，👨👧而开源的蒸馏🇧🇱⛰专项模型 🕋↖Dep🍏ictQA 🤐只能在用 🇧🇳🖥PANDA💇♂️📺SET 额外训练🧚♀️🍢后才达到🎄49%，如果🔤不额外训😢🥮练则根本无法🗻完成这项任务🔺。但观众🌠🛹，要开始被迫适应🥁🇲🇺“假人演戏”的👼时代了🎢🕶。**归根结底🚑👮♀️，这项研究说👣明了什么？** ⚱🛸这项由华🍑👴为技术（加拿大）♐团队完成🖱🏚、发表于🚀 IC💎🏙LR 20☠26 的研究，用🇸🇳一种非常👩👩👧👧👕朴素的逻〰辑回应了🌇👩👩👦👦一个长期被Ⓜ忽视的问题🛍📷：AI评价🖼🇺🇿图片质量时⛺，不应🥃该只看整💛体，因🦹♂️为整体感知是🇵🇹由局部*️⃣🇸🇳细节决定的🖌，而不是反过来🇱🇹。
单一芯片难🃏🚢以同时🇯🇲兼顾两类🛷场景的效👛率最优🧞♀️🔪。这些变量在🆑🚻实验室中😾无法模拟，但🇸🇩却是家庭环境📚中的日常💂♀️。目前，汇👘🦗博机器🦐🤤人已形成“量产一🌟❇代、发布🖊一代、研🇧🇧💩发一代”的梯次📥🙎♂️化产品布局🌾。这句话乍听🎷🥋有些抽象，🏒但用一个9️⃣🍋具体的比方来理解⛈🎾就清晰多🌆了🚵♀️。差距仍在📳🈚。但研究团队5️⃣🇬🇷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🇾🇪域名地址。
