（来源：上观新闻）
他们随🇨🇳机抽取了200😾⚙道题目，让A🐋🙍I多次🛤尝试每道👨🔬题，用👑实际答对率作为"🚓💽真实难🇸🇨⚒度"的🇱🇾衡量标准，再🚨⛸与价值⏯🇲🇳模型的🗓🛅预测值做对比🤾♂️。**归💇根结底，这🌊🥾项研究👩👧👦说明了🐨❔什么？*📄* 这项由华为🥊技术（加拿👘大）团队完成、发🇲🇪🌩表于 🉑🦷ICLR 20⌛26 ☠💸的研究，用一📡种非常朴🕛🏧素的逻辑🤒回应了👩🦱❇一个长期被🏄♀️⛷忽视的问题🍫🌖：AI评价图片📋🍂质量时🥅☕，不应该只看整🌱体，因为整体🥴感知是由局部😳细节决定的💢📤，而不👧是反过来🕴🇬🇼。
而自变量认为，🧐破局的🌄📷关键，不在本🇰🇪体，而在模🔄🇹🇦型😦🧬。研究团队还测试🌵了两个基线方法作👷🎸为参照：线性探针⚓（在 DINOv🤠🎌2 特征上直接🏉👲套一层线性分类😴✏器）和注意力探⏰🧜♀️针（在 D📛🚆INOv2 ⌚特征上套一个👩📽带交叉😉📂蜘蛛是怎么形成的注意力的 Tra🤞nsforme🔢🇧🇿r 模块）🛐🐾。研究团🎄队还提出了一个有🗺趣的未来方向：把🇦🇼🕳失真图作为推理链🇵🇸🕛的中间步骤，🎟让模型🕛👙先生成失🇧🇹🇨🇾真图，再基于失真🥴🖋图给出最终🎁🛥的自然🇱🇦🥰语言描述🏮。每一户家庭的布😸🔟局、灯光、🈁🧹物品摆放和🈷混乱程度各不💭蜘蛛是怎么形成的相同🥩。这就好比一个🧒判卷老师，全程🗯🎴不看解题过程，只🚭盯着最后一行看，🍶凭"感觉"打😛🧣分🧗♂️。
