（来源：上观新闻）
实验表明去掉这个🗄🚭机制后，ML👈〽E-Bench 👩👩👦👦🕑Lite的获奖率🚻🧟♀️会下降近32个😬👶百分点🇹🇩📩。设计阶段📵🇻🇨结束后，D🎠C 将进入实际的💉🏂模块实现阶段👨❤️👨🤤。这句话的潜台🥖蜘蛛词，谁🎮🎓都听得🕍👉懂🏀。目前的机器人🌲🗡在任务失📷败后，通常直接停🏎🎴止，返回错误🔅🥢信息🇬🇮。问题来了——🤙🤽♀️学生写了满满两🦓页纸的推理👨🚒过程，最终答案错🔡🇨🇵了，但你只能说🇱🇰一句"🚁🇨🇭不对"🥺🐢。
尽管Ver💉Core的理😏🏄♀️论性能🍣存在局限性🗒🇸🇽，但这足🌁以表明该设计可能💨🤘具有实用价值🥍🌞。值得注🇩🇯👩❤️👩意的是，O🔝▪penAI 🍭🇱🇺此次显🕖著强化💊🧨了中文、日文、🕯💞韩文等非英语字符⬆👗的渲染能力🇳🇨⛲，中文准确🌳♊率从 90🇵🇱% 跃升至🕌💓约 9🏈9%💢。论文通过可视🆎🎶化实验直接观察😍到，正确和错误💠推理链的🌴❔价值曲线在中间阶🌔段几乎完全💜重叠，只在结🍷🙅♂️尾附近才分开，♿↔证实了这一失🌄🐃效机制⏸。
HCA的思路💰🇮🇱更简单粗暴，压🌰⚔得更狠，但👮不做稀✉😲疏〽。1、扩展性 我🐴们发现，对于 🦂💓DC 而🇨🇿言，扩展到🌥非常庞大🇯🇲的代码🇩🇬库（例如🥨🤜，包含数百🙈🚊万行 Veril💆♂️og 代码）🕗🤼♂️并不会👵造成任何特殊问题🇦🇩。实验逻辑很简🛀🎎单：对于一🦅🇭🇳对图片，P🤸♀️📓ANDA🇨🇬 生成两张图🌱🏤的失真图，然👊😿后用一个朴⛎🧹素规则来做整🛁🍑图排名——如果🍝某张图中🇬🇫更多区域的质🕡量评分更高🕵（或者比🇻🇳较关系显⛪示更多区域➿🥐更好）🈹，则认为该图🥏💆♂️整体质量🔃✈更好🎉🐮。
