（来源：上观新闻）
AI科学🚟家在使用G👩🚀emini-3-🦚🔐Flash🥢作为底层☁🍊语言模型🍣🚚时，平均得分达到❔30.🔠👙52分，比同条件🆒下最强的基线系🔃🇩🇲统高出9👨👨👦👦.92分；使用👩⚖️🗺GLM-5👨👦👦时，平均🔶🐦得分达到🧖♀️❓33.7🚅3分，比最🧗♂️强基线高出🔦11.1🚖5分✝🛡。这意味着 DC 👩⚖️↗的支持基础设🔭施必须在🐘🇻🇳可扩展性和🚯可靠性方面达到世🆗界一流水平🗨。后者的下降尤🍍为值得🗣🧔关注——去☑🇲🇵掉这个机制后，💫系统仍然能产生有🇻🇮效提交，也还能获🧗♂️🛃得一些铜牌💗，但银牌、金牌这5️⃣类需要多轮🆒🚗精细优化才能达到🏵的成绩🇰🇪大幅下滑⌛🎙。
此外，芯片面临着⛄🚵多项严格的🚹👏性能要求，0️⃣👩👩👧👦通常至少包🔧👪括时钟频率🦡🐋、功耗💏🍪和硅片😴面积（这会影响生🤐👨🔬产成本🤰🦂）📫。而在海量的A🇺🇿🍝I短剧中，素⌛人很难第一时间⛏🍽发现，自己的😵脸会在哪部短剧🤒里“被出演”👬🌮。V4-Pro，6🗼1层，▪🏅隐藏维💨度71🚌🇱🇸68🗒🧵。结合数字孪生领👪域的Sim👨👩👦👦2Rea🗡🇲🇺l（虚实🏚迁移）🇹🇬🏃技术，这一闭🍞👨🍳环数据体系能显⛹️♀️⤴著降低🈵💝对昂贵实测数🇵🇱据的依赖🇳🇦，从而🚽以远低🎪于同行🥗🇨🇿的成本，训练出既🐃能应对复杂😋⬜恶劣环境又具▫🈴备高度智能的垂直✍场景专用大🏡🍀gtm什么岗位模型💟🦆。
研究团队还测试了☃两个基线方法🇦🇬☦作为参照：线性探🇲🇰针（在 🇹🇬🙆♂️DINO👫😉v2 特征上直接↗套一层线📏🆒性分类器）和注🇫🇰意力探针🙇♀️（在 📓DINO0️⃣👄v2 特🐗🇻🇮征上套一个🔗🚙带交叉注意力的🔨 Transf📕ormer💐 模块🇱🇮）🧭。这条连🇧🇧📓线会标注"锚😮🇨🇱图中的这个区🏕🥛域比目标图中🏴☠️🇳🇷的对应区域好↕"、"两者差🇹🇲不多"还🧺🙏是"目📷✳标图更好"，而🤢👩🦲且还会区分🔶🚫"稍好"和"🙋♂️🎰明显更🚹🚻好"这两种程度🎟🎨。
