（来源：上观新闻）
每一个专业代理在🍀🇬🇪开始工作时，不是🏎靠"回忆🇩🇯上一轮💎对话说了🙌🍿什么"，🇬🇪而是先看一眼整👩🍳个工作📙区的目录‼🇹🇯索引（一🇬🇪👨👦👦个轻量的"地👓图"），然🇫🇮后按需读取与自己🚃任务相关🇺🇳的文件🦜🕵，完成工作后再🥦把结果写回🤸♀️⛳对应文件🌀。🛡️ 生成前🔷自我审查（Se🇰🇮🥚lf-Corr🎻ection） 👩🏫— 模型在输🔝出前会模拟草稿✍🤭，检查文字🦋🇱🇹渲染、逻🍣🧖♀️辑关系、🔋色值对比🇹🇳。📌 “思考模🎧式让模型理解🇬🇩📐‘我到底要画什🧂么，为什么这么🍬画’🀄。Medi🔅🔔um级💳🤽♀️别中，一🐻张图是单一失真，🈺另一张🍘🚽每个区🎷🍿域的失真类型各不📔相同，识别难🇧🇹度增加🍆🇧🇩。
结语 一👩🚀个有趣的对🎧🇹🇨比，发生⛩👛在本届视听大👩👧👦🇲🇽会的会场里：四🦄👢楼，论坛上西装🥁革履，PPT↗👬翻飞，平台🤪与嘉宾们谈💉论着AI的宏大叙🚍☺事；五楼，校园招🦷聘会热火朝天👨👩👧👧，年轻人排🇵🇦着长队，手🦓里攥着简历🏭。研究团队将AI科📧学家与非层级化的😿🌦简单代理（⛪✂域名网站在Pape🅰rBenc🏹😃h上对🇨🇿应Bas🗄icAgent，☂在MLE-Be👀nch Li🕟te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"AI科学✴家，在Paper🥾Bench上仍🦝🇧🇯比BasicAg💓ent高出🧀🍚4.74分，在🌑👨✈️MLE-Be☑nch L🔡ite上的"🏷高于中位数率"和🎄任意奖🇺🇾🕊牌率也分别高📅🎅出22.7💂♀️3和9🇧🇮🧯.09个🇵🇱🇬🇬百分点🔣。
这也从实验数据🥐☝层面为TRAC☁🇧🇷E的核💁♂️心逻辑提供🦉📻了支撑：🔚少数几种能🈺力的缺失，足以解🦇释绝大多数失败🌟🌫案例🤦♂️。当你把一🍬个事情🤢🎣交给AI助手去💘🇺🇲办，它🇩🇬频频出错🇧🇻🇧🇮，你会怎🎨么做？大多数🇦🇲时候，我们😕要么换一个更聪🆖🤐明的A🇰🇭I，要么💢域名网站反复给它👏🍯讲解规🚀则，希望🥎它能领悟⬅。Parti🔭🦆al R🌓🔒oPE🇹🇯。在GLM-5下💺差距更悬殊👨👨👦👦：迭代代♾️理每任务花费🎟54.🕧90美元，AI😿科学家只需12🔬.20美元🦊。
