（来源：上观新闻）
这部分工作⛸在实际工程中常常🔹🔹耗时最⌛🏮多，却最容🇿🇼易被忽视😿。就像把一群🥐🎰优秀的人🆖放在一起，就🔞☪会有想不🔮🇪🇭到的化学💁反应一样，把🇵🇭🗾一群 A🇫🇴gent 放🇧🇻到一起，应该😶也会是这样💐。研究团队将😓📴AI科学家与非层😙级化的简单🤠代理（在Pa📢🏆perB😻👨❤️👨ench🌹⏰上对应Bas🇬🇬🇧🇮icAgent🦕🚁，在MLE-B♌ench Lit🖍🗺e上对应A🚱IDE💍⏺）进行比较🇬🇶🕷，发现即🕦使是去掉文🇩🇴🤑件即通道机📓👌制的"残缺🍖版"AI科🧚♀️学家，在Pap🇬🇺🇰🇭erB🇧🇪ench上仍比B🇦🇶🛬asi💇♂️cAgent高出♌4.7🇲🇼4分，在M😲😓LE-Benc🎮h Lite上的📃👨👨👧👧"高于中位数🔐⏸率"和任👨🍳🍂scm意奖牌率也分⌚别高出🕕22.73和9.💓09个百分点🛸8️⃣。
这说明预测题💓目难度所需的能⭕力，远比解题能🦋力更容易学习🧩。**三🚞、PA🧟♀️NDA😽架构：让机器学会🍔填写这份"体检👨⚕️🥬报告"** 有🧑了失真图的概念🦜，接下来的问😶题是：🥈如何让计算🧙♀️机自动生成这份图🇿🇼📁谱？为此，研究🇬🇫团队设计了一个🚔♓专门的神经💫🛳网络模型，取💺🚧名为 🕜PANDA（全称💧 Panopti👥😢c Pai👩⚕️🍓rwis📏📊e Dist♐ortion G🎮raph，🐧意为"全景配对失🧕🤫真图"）🚏🇧🇲。Q2：TR🏖🥿ACE训练🖋出来的Lo🐜RA适🍲🇺🇸配器为什➕💇么不直🐭接合并成一个😁模型？ 🅰A：实🇮🇪🐬验证明，👨🔧👡把多个能力适🇪🇬配器合🇺🇲💕并进单一模型🇻🇪会导致能力之间相👲互干扰，性🥾能反而🇯🇪下降🚶♀️scm。
