（来源：上观新闻）
这在理🧀🧻论上很美好，🇵🇱☑但实践中就会遇到💧前文描述的打🕋🌷分困难🍶®。传统通🍃话降噪主要依赖🖖这类小型板🗼🏗载神经网络，🐴在特别嘈杂的🖊环境里，往往🇦🇺🚜很难把🇱🇻🎌人声准确拎出来，🇼🇸所以要么环📸境噪声混进🎓🇧🇪通话，🛑⁉要么人◾☀声被压得⛩很厉害，听起来不🇸🇰够自然👨👩👧👦🎁。
"论文🇳🇷⭕理解专👥✔家"负责读懂目😧🚥标论文，将其分🇧🇷解为结构、🤚🇺🇬算法、实验设🏙🍚魔术泛站群计、基线🎲方法等维度，并将👢🤱结果写入❇论文分析区3️⃣👨。一张图片可能在🌮整体上👪🤔看起来🆖不错，但放大🥈某个角落🧟♂️🇧🇸却发现人脸模♏糊；另一张图片🏂天空部🇧🇴分清晰锐利，🇯🇴♐但前景中📻🐏的人物却被过度锐🔤化，显🚆得不自然🕎🛤。
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🇸🇻。它的思路是直接🐹扔掉那个🏛🧳不靠谱的🔦打分员👳♟️，改用一种"横🇺🇸📋向比较"的方🇬🇳式：对同一道题🏷🕠，让A☑🔎I同时生成一批答📴案（通常是8👊🦂个），🚮然后以这批💑答案的平均得分作😱为基准⚱，那些比平均水🏌平好的答案🐧就得到奖励▪😉，差的就受👎🥂到惩罚🇶🇦🤪。
