（来源：上观新闻）
研究团🤥队使用了🔉🚍一个名为 DIN🇦🇿🐙Ov2🔍🏴 的预训练视觉🚴♀️🕚模型（可以把它理📎⭕解为一个经过❓📮大量图片👨💻😦训练的"看👟图专家"），将输🇪🇪🍦入的两张🇵🇦图片分别转💱🗒换为包含🌄🇳🇦丰富视觉信👨❤️👨息的特征🦢🐮矩阵📫。前三个🃏💂♀️头使用交🇫🇯🔩叉熵损失📚函数（🍽🥰适合分🧚♀️✳类任务），第🧙♀️🇧🇱四个头使🚩👿用L1损失函🥊🎧数（适合数值回⚒⏪归任务）👩👩👧。
在此过程中，如🍇果发现与 🇨🇷👨👨👦泛Spike🙀🖲 的结果🚊🤣存在任💦何差异，DC 会🏈👨❤️👨观察相关⛷🥓情况并检查 VC👨🌾🌠D 文件以调🛃试问题🦑。将人类工📳✈作流程引入智能↔🍨体人工智能🇵🇷 Verk🤐🇸🇭or.io 🚴♀️🕵的智能体系统名🇵🇾为Design🔕💜 Cond🇨🇼🧘♀️uctor🇻🇺🤲，它本身并非人🥒工智能模型，而是💴大型语🧕🧀言模型(L🚫LM) 的框架🇺🇬。这条连线会标注🎨"锚图中的这🎖个区域比目标图中📆😻的对应区㊙域好"🚍、"两者差不多"😽还是"目标🕝图更好"，而且✍🇲🇴还会区分👼"稍好"和"🇱🇷明显更好"这两种💠📏程度🤙。
这种探索工作是🕘浪费的，🚛不必要地😿🕴消耗了令牌，👇而如果模🇬🇲🚇型对架构和🇺🇲工程有更深🚎👩❤️💋👩入的理解，🗂☃这些浪费是🇭🇰可以避免的↔💼。目前，汇博机器🤼♂️人已形成“量产一📹代、发布一代、💌💈研发一代”的梯🕑次化产🚿品布局🥑。而WALL🦷🇮🇹-B所采🎍🧷用的世👕界统一模型（WU🇲🇭M），则🧩🕵是一次彻底的重构🖊🧐。
