（来源：上观新闻）
在20个不🇱🇧同的论文复现任务📤中，几乎每🇬🇹🦊一个任务上A🇻🇺🇵🇼I科学家都有明🙁⛳显提升，其中👄📷最显著的一个任务⛩🇳🇷（pin🚸n）在G🇺🇸LM-5😠下提升了32.🈴🇲🇩99分🔹。下一轮🌱🍥工作必须正确🍣🖱理解并建立在前一🇬🇭🧜♂️轮的基础之上🤲⭕。结果相💯➰当值得关注：在第📦💞一个基🥎🍲准PaperBe👔🍭nch上，AI科📷🇼🇸学家的平均得分比🇷🇪🎖此前最强的AI基🆘什么是网络营销线系统高出10.🔭💉54分；在第二9️⃣🇩🇯个基准MLE-🚐®Bench L🇨🇱⚡ite上，它以8🥨1.82%的"获🌚奖率"🤽♀️超越了所🌁有有记录的🎊对比系统，其中🇸🇧包括多🧘♂️⏯个已公开发布的🤘🔀知名商🐕🚩业和研究💠机构系统✖📍。
这组数据🌐背后的逻辑是：▪当训练场景与目标🇸🇩🇨🇽场景完全一致（即🛏直接在目🍨🇧🇶标场景上做G🍪👩👩👦RPO）时🇦🇨，模型很🗻🇽🇰容易陷入过拟合💪👨👩👦👦或训练不👠稳定的状态🇮🇨🌱——它🇳🇫⏲学到的可能是特定🏃♀️🇨🇴题目的答😿案，而非☘👶通用的🖼💑能力；🏴⛈而TR👩❤️💋👩ACE🇦🇫🍗什么是网络营销的练习🏪🖌场景经过专门🇸🇬🦁设计，每道题都由👾随机种子程序生成🍐，变化无🌄穷，A🍎🇩🇿I练的🇲🇦是"能力本🦃身"而🕵🧮非"特定题目⛄"，因此能🇱🇨🤺够随着训练轮次的🚃🧘♂️增加持续稳步⚫提升🌰。
AI提交⛳✳的代码不会立即⭕💍报告"这里有一🍑📻个逻辑🇭🇷🆎错误"🎬。V4的做法叫m🐹🧮HC，把矩阵🇵🇸B约束🇯🇪✋到「双随机矩阵👩👧👧」的流形上（👨👨👧👨👦👦数学上叫Birk🔙🐚hoff pol💆♂️👩⚕️ytope🌀），行🌜和列都归一化为🤹♂️1⚛。不过更🇵🇸🤷♀️重要的是，许🌫多用户🥇在尝试这类Ag🏙🥯ent🛄时，并没🐒有清晰的🔭使用场景☑🍩。行业普遍👨👩👧👦在用“糖🕺水数据💹”训练模型，🇬🇲♻然后奇怪为什么🇲🇽🍧一到真实环境就失🥭🥞效‼🌐。
