（来源：上观新闻）
第一，引入👩❤️💋👩✉mHC（Ma🇷🇪🙂nifo👩👦👦🥃ld-⛑Const🇧🇬👩🦰rai🍘🇧🇪ned H🐷🔓yper-🐉Conne☠🇺🇾ction🇦🇨s）强化残🏟差连接👭。” 当前主流机器🌇人，本质🦐上是“命令行机🇧🇪🇯🇲器人”或“遥👩✈️🇪🇪控机器人”👙🔯。这些专🖲🦋家的角色将是指导🌁 DC 在架构和🇶🇦目标层面实现他😩💤们认为能够在🦸♂️🇩🇪市场上取得成功🛒🇵🇭的设计成果——🍺👨👦👦他们能够🌩进行无🔊需猜测的实😽验，并争取更激进🤤的成本和性👑能目标🐦。第二个基准是😫🎾MLE-🏃Bench⛄ Lite，这🇧🇸📗个基准更接近K🚴aggl🦠☕e竞赛的👩👦形式—🔯🍔—AI需要在现💕有数据集上持🇰🇵续优化机器学🇧🇩🚦习方案，🐨争取在模拟的竞赛🇵🇼排行榜🌏上获得铜牌、银牌🖕✨或金牌🇨🇷。
但观众🇬🇪🥍，要开始🇷🇺被迫适😂😰应“假人演戏”🍝的时代了⌚🥒。五、训🇭🇺练越多真👇🚘的越好吗：TRA📡CE的扩展规律🧯 研究团队还专门🆕🚕研究了一个很实📇👨👦👦际的问题：增加训🚖♊练资源（更多的🏣🔭模拟对⏱🇫🇲话轮次，或者训练🇹🇯更多的能🐺📵力），带来的🍾🇮🇳收益是否能📚🧒持续增🆚🐊长？ 从能力数🥩量的角度🦔👒看，TRACE在🗃覆盖1种、2🇳🇴种、4种能力时，👆💑通过率分别约为👩🎨40.3%👽➗、43%🎀🌙、47%🌄🤯，呈现出稳🇹🇯🇳🇱定的递进式提升🤟。“这种带记忆的自💏主智能体方🇳🇨🏡向，是未来🧜♂️🤭所有成熟Agen🛴👩👩👧👧t的必经之路🚲。微信有十亿用户🚭🎣，但十亿里没🌅有一个 👥🔖Agent🦕。Gemini👘🖥效果：🌇 GPT效果： 🚋🎤图：⚡ G✴PT-Im🦔age-‼⏰2 接🍓🕵️♀️到指令后，自动执🇲🇦🧵行「检索🏠→规划💌→设计→验证」闭📻环 告👩🌾别“抽🌄盲盒”：底层👰🐣逻辑被彻底🛅🌙重写 传统图像👢2️⃣模型是“黑箱操作🇦🇲🦊”——输入 🗨🥘prompt，直👨❤️👨🇸🇯接出图🏥。
