（来源：上观新闻）
最后，解码器的输🥴🚟出经过全局平均池🌩🥕化压缩后，被分别📝🎼送入四个😮📳独立的预测🇲🇨♌头⏏。这在长序💆列里尤其有用，能🔀🇰🇼避免模型被迫把注🌡👛意力均🐢◻摊🚹。更重要的👁️🗨️是，他们通过大♾️规模实验揭示▶⏱了当前最先🇰🇮🌋测试是什么意思进的多模📼9️⃣态大语言模😽😵型在区域🇻🇪级质量理👮♀️💰解上的系统⚙性短板——即使🦑是 Gemi🇰🇮ni 2.5☕🕋 Pr🇮🇴o 这样的顶尖商🧞♂️🛩业模型👩👩👦👦🦒，在这类🇺🇸任务上的表现也接📰🔠近随机猜🇲🇰😪测的水平🏗🛀。
它越来越精，❕💳但对于内容💢的理解、情感的理🎬解，还🤖♉达不到☦💐。在一次内部评🆔😚测中，模型🍙💄根据一段关🥟🚡于芯片架构的🇲🇦论文摘要，自动🧦🔭生成了包含🇦🇶晶体管🎋密度对比图和 3🇼🇸D 封装示意图🎱的完整 ⛴🤬pos🐠🚓ter ——🦴🇬🇧 连 IE♨EE 👩⚕️🦈的审稿📑人都误以为🇦🇫🇧🇶是人工排版🇧🇻🎶。这种思路🗡对普通📠🇩🇴用户意味🐩🇦🇪着什么？以👩💻📏客服机🏌器人为例，如果👨🏫📒一家公司发现自⏫己部署的AI助🐰手在处💂🇳🇬理退换货😢🇱🇹时经常出错，不需😬要重新训练👱整个模型，也不✋©需要从🕸头设计训练🇲🇭🥋方案——只需🧾🙇♀️要收集一批失败👨👨👧👧🕙记录，跑一遍TR🐎📇ACE系统，几🚘个小时内🚌📸就能生成针5️⃣对这家🏂公司业🧁务特点的🕐专项训练，修补A😃🆗I在该场景下🎛🇲🇫的具体短板🚙。
