（来源：上观新闻）
值得特别关🔠💺注的是成👨🚀本对比🍚♉。“硬件已经到位了⛵🥙，但大脑🏬没有跟上🎫。为此，谷歌♎在芯片的🇺🇦🚢整个技术栈上🍳对效率进行🎪⚗了优化，并引入了😦🐟集成电源管🎎🤗理系统，可根🗾3️⃣据实时需👅求动态调节🇺🇦功耗🇧🇭🐓。在这个测试中，T🛍RACE😩🇬🇷以0.552的🥝平均相似度和2🕘6个完🤧美分（满分⛱🙅1.0）的成绩领🗄先，而基础👨👧👧模型的😇成绩是0🐐.411和19个🆗完美分，最强对比👨💼方法是0.5🇵🇾🥬20和22个🙅🇨🇴完美分🐙⚒。研究人🚳员通常有两种选🕓择：要么给AI🎨看大量来自各种📼场景的🇰🇷训练数🚺🌠据，希望它能从中💻🌉"悟"🇱🇸出各种技能；要么🎪💟直接在目🛠标场景🏬🔝里训练AI，让它🥾🎊从最终📷的成功🚦🐓或失败中学👩👦习🇰🇷。
第二步，🔈🍜lightn🌉ing🧗♀️ indexer🐳🍈 + ✒top-k选择😐🧳。这个方法📐在实践中效果相🇲🇵当不错，原因在于😝🇩🇬：它不再试图🌝🇸🇨给推理过程中的🌆🛳每一步打分🇭🇹🔰，而是把整个推理🌩链当成一个整体👗🧞♂️来评价💅🇮🇪。差距仍在😶🏙。对着空气，🇦🇶🏐和对着真人🥨🧛♂️，两种表演模式之🌠🇮🇷间的差距，🐀🐮技术是难以🇫🇯🌄弥合的🧐🌚。这种"回归🦄🎣均值"的行🥫🥼为实际上对训练🆓是有益的—🇼🇸—它不🔢🦇会因为过于自信🔘🍲或过于悲观而产🕒😴生扭曲的训👩🦳练信号，而🇸🇳是始终保持一种适🇪🇸度的不确定🗒性，让真🐂🚶正的"🏁超常发挥"和"出👷❤乎意料的失5️⃣🤧误"都能产👖生足够强的纠🐿正信号🙋♂️🙎。
