（来源：上观新闻）
其一，这些模型🇦🇮🇮🇩在训练👁️🗨️🇬🇭时接触的🌬数据基本上都是🐣以整张图片⚡🇸🇱为单位的质量评🛹估，从没🙍♂️🔔有被专🎸门训练过📣📵"逐区域分析"🎐这件事🗞🍤。进了V4☣。当预测越⚗来越准确时🧜♂️，AI👩👩👧👦🧜♂️训练的🏜🧼稳定性也随🎦😒之提升👮♀️——因为一个好🖨🇫🇷的基准让AI能更🌗🤫清楚地区分"这次🕺是真的进步🇻🇳😃了"还是"只🤗是运气好"🍌🈲。从训练轮次🛳的角度看🇮🇹，以τ💑🍼?-Bench❇为例，T🐣🚠RAC⌚♍E在不断增加训练🕶👨⚖️轮次时通过率🎈持续稳定上🇨🇫升，从0轮次🇭🇹的32.9%🏪一路攀升到5🐪🤷♀️120轮次时的4🆑🍑7.0%，曲线🗞🇿🇼几乎是一条平滑向🇯🇴🇧🇾上的折线🦚🐜。
结果表明，在🚩 KADID-1👝0k 上🇸🇹🇹🇱，基于 PA🇰🇿NDA 分数🐯的排名准确率😩🚸达到78.😯🧚♀️83%🐈🐧，基于比较关系的🎵🍍排名准💘🇱🇮确率达到7♈6.9◾👈0%，🔔👴超过了🏣🗣同类开源多模态模🦹♂️型（如 mP🇫🇷LUG🏊♀️🇨🇦-Ow🐪l2 的48.5😦😦%、LLaVA👩👩👧👧-1.🎺6 的57%、Q📚🥢-Inst🔂ruct🏧 的55👨👩👦👦%）🇹🇳🇧🇮。
