（来源：上观新闻）
中等难度的"M♠🇺🇦edium"级🕠别，其中一🛍🤱张图片🧸被同一种失真统一🎟🚯处理，而🇲🇹🌚另一张图🗳片则是"混合失🦈真"—🔼—每个区域都可能⛹受到不同类型的🔉💂失真影响⚡。整个分🇾🇹析过程🎣🇬🇦会独立重复多次，👨🇫🇯只保留每次都🐘稳定出现🇳🇪🐜的结论🙇♀️👮♀️。还没那么🌎神 但方向🐞🇹🇴先进，目📳👅前也还只是方🛀🇧🇩向先进罢了🅿⏺。
第一个是P🔊🇲🇾aperBenc🌾🚁h，由Open🇻🇨AI参与👖设计，专门用来测🇵🇲🇦🇼试AI从头复现😗顶级机器学💹🎤习会议论😔文的能力📛。每个大模型🍬8️⃣厂商专注领域💒不一样🔛。它带来了两个👳♀️直接后果：对于答🚕🈺对的推理链，打🧚♂️分员在接近🇦🇲结尾时才给出高分🗑💣，导致🔈🥧AI的👩👦整个推理过程几🌇🎱乎收不到🕟任何有效的激🇸🇳🚽励信号；🇱🇻🏩对于答错的🧜♀️推理链，😹打分员在中间过程♐中也没有给💥📈出足够的😲🚵惩罚，👩🎤🇪🇹无法让AI知🧻道哪里🇨🇫🃏出了问题👖。
对于那🌨些没有🗼标准答案的开放💬🇳🇴性任务，比如"帮🇷🇪🐼我写一首感🎿情细腻的诗🖍"，这个框架🇵🇸👨🦰就无从评判，需要🙇♀️🥞另辟蹊径😒⏳。比如用户说"🧿✍帮我打开Wi-F🛬i"，A🇩🇬🍺I调用🍥开启Wi-Fi💧〽的工具，结果返回🐙了"低🌊电量模式下无法👨👧👧开启Wi-F🛢🚼i"的错误♦🇵🇷，AI便直接告诉🇬🇪🌅用户"对不起7️⃣🤥，无法完成"🔠。
