（来源：上观新闻）
但随着模型深度🤗🇮🇨和参数量🤲继续往上推，这种🦞补丁会🌊变成刚需🏣🇲🇱。AI提交的ℹ🇨🇿代码不🆘会立即报告"这里🇺🇸🎒有一个逻辑错🐫♟️泛站程序误"🇨🇨。研究团队为每张图🤔片维护了一个👩👧👦🏝可学习的向量集合🇫🇯👨👩👧👦，称为令牌池🔍🐤。论文里没有长🐤篇大论地解释CS🔑🇲🇽A和HCA🎖⬇为什么要配对使用👨🦲🇶🇦，但读完整个🥼📍architec❇🇵🇲tur🇬🇩e章节，能看出🇲🇲🇲🇩它们的分工🇱🇺🐫。
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🇲🇳的失误"都能产🐁生足够强的纠👙正信号👩👩👦。研究团🔊🇵🇫队使用了一个名🥥🇨🇨为 DI😞🍜NOv2 👐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🇦🇺🇺🇾泛站程序。
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📼泛站程序言有时会让各自⛩都变得不流利☣。耐人寻味的是，✅🍬红果、九州、📱🇵🇸麦芽等头部短🎗🛃剧公司，去📱年还是嘉宾，🌜今年全成了论◻坛承办👦方🈴。
