（来源：上观新闻）
研究团队将🥠🥯AI科🤔学家与非♻🤓层级化的🔰简单代理（🅾在Pa🇲🇸🇬🇩perBenc🤛🅰h上对应B💜🀄asi💈💺cAgent，在🔚🇮🇨MLE🌒-Ben🇬🇩👩🎓ch Lit🚇☁e上对应A🧖♂️IDE）🙁进行比较，📧发现即使是去掉🎺🕔文件即通道机制🐴的"残缺版"A🏮🚓I科学家，🇸🇹🎓在PaperB🍉ench上仍比B🐺⏳asicAg㊙🐦ent高出4.7🌓🧺4分，在M🥖LE-Be📏📡nch🧚♂️🌘 Lite😟⛲上的"高于中🇸🇷位数率"和任🤱🏴意奖牌率也分别🏟高出22🕤.73和🇺🇾9.09个🤕百分点🚉。
道理很简单，单个🌕❕ Agent 🇧🇴自己能力都➿不够，把一堆能🔮⁉力不行的🇹🇳 Agent 🍯凑到一☦🇳🇱起做事，等于一⏲屋子干不了活🌋的人开会💓，只会更乱🚇🇻🇪。留下来未必是好事💈👭 在Blind🦹♀️的Met💯⛹a员工版块上，一🏛些用户发问，为👰🏔什么Meta🇸🇮🌑不能提供自愿离职🇧🇱💼补偿😞⚖。
每m个toke🛬🦝n的KV 🇱🇦⛳entrie👩💻s，通过一🎿个带学习权重的a💁♂️tten👬tion-l🇲🇩🏝ike机制压成🇲🇹🇺🇳一个🤵。与之相🧂🗻比，GEPA（一🥥种通过优📓化提示词🌦来植入↙🗓能力描🔄🚍述的方法🏏❄）在超过4种👴📇能力之后就陷入🤹♂️🧻了停滞，无论🏦再描述多少种🖤😼能力，🤼♀️效果不🕯☯再提升🍕🇵🇫。在1.5B规模（👧15亿参数）🐊🦅的模型上，标准P🕠PO的综合平均🏋️♀️🧩分是4👨🏭4.06🇧🇯，甚至🇬🇬↪低于未经训练的🕳基础模型🇸🇽🛢（44.96）🌥。
