（来源：上观新闻）
Codef🌂⚽orces 💒👉ratin📆🙏g 320🌡🥠6，超过了😛🏕GPT↙-5.4的31🈸68和G🧕🍈emini🥈📗-3.1-Pro🇱🇧的3052🚵，在人类🎲选手榜单上排⤴🦆名第23🇻🇨。Verkor.🍾🤺io的🙋🖼联合创始人Su😰🏍resh Kr🏸🇺🇬ishna表示👨👧，团队💳的核心论点是，这🌅种方法比仅在🌑🇱🇨整体设计流程中使🍗🐈用专门的 AI 🧞♂️🎥系统来完成🇦🇺☯特定任务更有效🎒。
单 A🦝gent 🌚在这两👲种场景下都🇷🇺🇸🇱会卡🥗🧗♀️。其二，语言模型有🕷输出长度的限🉑👸制，当图片包含🇦🇱十几个甚🇹🇫🔁至几十个🥼区域时，💋💹要求它逐一🏣👨🎨分析每🚅🥠个区域，🕌🏕往往会超出👨✈️模型的处理能🇧🇸❗力，导致遗漏或👦重复🈚🇳🇷。从训练轮🦇次的角度看，以τ🚴🕗?-Bench🇨🇳🇧🇭为例，🇵🇲TRAC🇬🇮E在不断⚡增加训练轮次时通🤧🛬过率持续稳🙅👨💼定上升，🧚♀️💋泛目录寄生虫程序从0轮次的32.🇸🇩9%一路攀升到5🖥120轮🐅▶次时的47👣🔀.0%，曲线几乎🇳🇵↙是一条平👌滑向上的折🇱🇾线🧖♀️。
Verk🥘♐or还计🎠👨👩👧划在领⛄🇦🇿先的电子🏃设计自🛐动化会议DAC上👩🦳🐳展示VerC🕉🖥ore的FPG🔝🇻🇺A实现😆🎬。构建由🧒🧤人工标🇯🇵注的区域级比较标🎟💟签数据🇩🇬集，将是一项巨🇰🇮大但有价🇵🇷🛌值的工程🚛👨⚕️。**八、设计细Ⓜ😇节与超参数敏感性🇳🇱➡分析** 在🍘模型设计层🐑面，研究团队🇱🇾⛎进行了一系列🐊🇱🇹消融实⛎验，验证各个🇳🇫📆设计选择📷🦏的必要➰性与合理性©。模型一层一层堆🐤✏，梯度沿着🧘♀️残差往回传，这是🎴🏋️♀️深度学习能wo🚆rk的前提🤩🈂。
