（来源：上观新闻）
GRP↩O在使用8个样本🌡的情况下，🚣综合平均分🌟提升至4👺7.0🏒8🇦🇮。更巧妙的🧮是，练习题的🇲🇹🎴难度被刻意调👨🔬整到一⏬⚾个"甜蜜区"🖱⏭——基础⏹😅模型大约有30🔻%到6😛0%的概率能答对🕘。Kimi用M⏱uon需要QK🇸🇦-Cli😇🥼p来防止att😊⛲ention 🍞😬logits爆🇬🇧🦈炸，Deep🍼🧤Seek没🏍🎴用这招😵。与此同时，👍🤹♀️一个叫做 🚡SAM😐（Segment😤🕖 Anythin🍎g Model🥿，即"🧛♂️万能分割模♌🏄♀️型"）🏦💳的工具负责把🇦🇩图片中的每个区🚋域自动🦶分割出👨👧👦来，生成对应的二🌍🇲🇴值掩码（也就是标🇲🇶记出每个区域😡的精确边界）🍖。这项由斯坦福大🉑📥学主导的研究以🖤预印本形式于20🦞🥠26年4☹😤月发表，论文🉐编号为arXiv🧚♂️🤨:2604.🤭05336v🎯🍅1，有兴趣🏸深入了解的读🍰🍫者可以通🈯过该编号在ar👒Xiv平台查询完📂整论文♣。
我们认为这是由📢🔓于 LLM 的🅰📐预训练和后训✳练中都存在大量软🐢🇲🇳件代码造成的📂🇦🇲。” —— 某 4🔞A 广告公☸⚗司创意总监 双面⛓🔯镜像：速🍁😈度翻倍，但思👨👩👧👧👩🔧考力才是🏬🎴护城河 GP😄T-Image-🍪2 在价🇸🇲格上甚至比前😴代更低（输出价格💆♂️🔚从 $3🎢🇸🇽2 降至 $3🇰🇮0 每百万 🇧🇳token），且⌚🦃生成速度🏄♀️👱快了一倍（🍎🇵🇦即时模式下约👩👧👧 3 🥛秒）🤷♂️。DC必须记🛂🛢住并满足🐳所有这些目标🇩🇪🇪🇸。事实上，我们观🥛🥅察到 D🇹🇻C 会🇪🇬🌆根据布局布线后的🏆🎐最终时😔序反馈来更🕯新其设计🍁🍾。
