（来源：上观新闻）
他们发现，打分员💯实际上🔄是在偷懒——它根🕜本不关心AI在🔆😙推理过😡🗃程中的🇵🇹💟第三步🐭🇫🇷、第五步🍉💟、第二十步在做🚣什么，而是一直🍘等到推理🦉💢接近尾声🚴📕，才突然🙆♂️🎤"清醒过🇧🇼⏏来"，根🇱🇮🎷据最后📯💼几行文字的语义6️⃣特征猜测答案6️⃣🗼是否正确🤐。
这就是☣🦒“与世界🇹🇲交互”🚗😹的真正含义，🦴不是被动🚨执行，而🇮🇪⭕是主动学⏺🇬🇾习🏋。作者/凯斯 🇬🇪👖编辑/三三 🇳🇱💼下班之🏠📁后，去球馆打一👔场羽毛球，🍝已经成了当下最流😷🇧🇫行的白领生↘活方式之🔼一🦠。参数量高达2👆☕70亿的 🍾Gem🥁ini 2🧵.5 P↪🗻ro（🕗⛪谷歌旗下最先进的🌽商业大模型之🇴🇲🚴一）只有🤽♀️🗡22%的准确率🤙，而随机猜测的🧡准确率🇦🇩是20%——🧟♀️也就是说🇳🇫🥳，Gem🇨🇻ini 2.5 🕝🖲Pro 在👨👩👧👧🤔这项任务上🚶的表现几乎与瞎猜🌊👻无异🇨🇺🏳️🌈。
然后，🧰🔋DC 使用 🐶👨👦VCD 分析🇨🇵👩👦来追踪📜🏥问题的根本原🚢因，提出🙇♀️🤳修复方案，实施😻修复方案，🎹👟并再次进行测📷试🛵。“我们不会在全公🦐🧚♀️司范围内限🧺🇺🇳制出差🔌。跑分什么的我就🧰🤽♀️不贴了，模型🚅到现在🍾，最好的测试方🇨🇵式就是直🌴👨👨👦👦接放到自己的🈸⚫任务里去跑🦠。
