（来源：上观新闻）
“想到未🇵🇰来一个月🗝要做出成🇺🇲🌅绩，我有点压力🛵🥀。有兴趣追踪后续进⤵展的读者，可以📤通过arXiv编😾♒号2604㊗.05336关😭🕥注这个研究🥤🇬🇲方向的最新👨🌾😋动态，🐈也可以访问🐡研究团队公开📥的代码🔵仓库进🤭行实际测试🏑。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AI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🚛➡。
更重要🈯🇨🇵的是，他🇵🇸们通过大规模实🤭验揭示👩🦰🥕了当前最先进🍆⛅的多模⏏态大语言模型在🇳🇪🥐区域级质量理🇿🇦解上的系◼➖统性短板——♻🇦🇴即使是 🧑🤷♂️Gemini 📽2.5 Pro🧰🔎 这样的顶🦘尖商业模型🎆，在这🇳🇿类任务上的表现也🇮🇩🕘接近随机猜测🏇的水平🏇📈。
这部分🕶内存对于确保Ⓜ🚋 DC 🐎满足用户设♋🇬🇵计的所有要求🐦📏，以及确🦐保其构建的设🚭计符合所有正🇯🇵🏗确性要求至关重要🍎。（3）规范⚖👎要求 我们🔪发现，提供给 😱DC 的输入规范🔈必须以极其严谨🕡、精确且🏒🇦🇩可验证/可测量的🇨🇩🔛方式编写🚾©。然而，⬆🤣它的代价也很明🥊🎐显——🐆每道题都要生🇰🇼🇸🇿成8个答案，计🙈算量直接翻了📵8倍👬国内做seo最好的公司。
