（来源：上观新闻）
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，😶📤sem是什么检测分析而非通用的能力；🥟而TRACE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🛣🦏，AI👙🇦🇿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🇰🇮🔑。
两种方式都有☣🇵🇭一个共同的缺陷：🇨🇨AI从训练信🔲号中得到的反🌐👨👧馈，是"这个任🧔sem是什么检测分析务整体🧡成功了"或"失🐴🇮🇳败了"，🇰🇿而不是"🔐你在第三步查👚🎒询数据时出💫了问题"🖥🦚。最后还🇫🇯☘有一点需要说明🍼：该芯片👨❤️👨尚未实际生产🚼。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）🚾。
他提到两个案例：🇸🇯🥮一是在AI9️⃣GC标识🍹🎪案中，法院♎🔇明确“使🥗用者不得🧗♀️🏌再以技术中立为由🈯来逃避责任”；二👨🔧💶是在算法推🚻🏄♀️荐侵权案中🍦💌，要求“算法黑箱🇲🇷透明化”👸。王昊指出，这🏸🦌一点甚至许多动物🇦🇷🖼都不具备🦹♂️🔸。TRAC🆘🧖♀️E则以47🐎🎇.0%🦷🕊的整体通过率、🎖🤬44%的航空领域🇫🇯通过率和🧥🇷🇸48.🚊⚡2%的零🗺售领域通过率😥，显著领先所有🕐对比方法，比第😴二名的🔼😾GEPA高出7.👮🇭🇹4个百👂🌮分点🔥💀。
