（来源：上观新闻）
Flas🐵h-Max可能是🇩🇿🥽这篇论文最被低😙📡估的一部分🌟。PANDA ❓📇使用8块 NVI💇♂️⛔DIA 🌗💆♂️V100 32🏡🕯蜘蛛浏览器GB 显卡训👥🇮🇩练，批次🇦🇪👢大小为6，总🤼♂️🖇训练时间约3️⃣🎈1.5天，👩🔬🐳使用 🇦🇬AdamW💭 优化器，♉🇧🇭学习率1e-4，💃权重衰减0.01🌤🚿，共训练30☘轮🕖💖。那时候大家都在卷📎👺硬件参数🧗♀️🕞，比屏🏏📈幕、比摄像头、💳比续航🇰🇵。结果相当值得🎿⭐关注：在第一个基♑😘准Pa🍃perB🐒ench上👩🦲🇳🇪，AI科学家的🇹🇳平均得分👩⚕️🏊比此前最强的A⛷😑I基线系统🇨🇦😉高出10.54📥🚏分；在第二个基准🚖MLE-Benc👩🦳h Lite🕡上，它以81♏.82%的"获奖👲率"超越了🕸✝所有有记录🖇📖的对比系统，其中😏包括多个已公🗾💎开发布的知👨👩👧👦🇨🇷名商业和研究机构🚎🎇系统👩👩👧👧🏌️♀️。
芯片设计🆕师是否应该担🏪🤬心人工智能🇩🇿👣会抢走他们的工💥作？ 对于血🐚🇱🇺肉之躯的工程师🇹🇷来说，一🍷🔡个能在🥣12小时内设计😸🖋出CP🍇U的人工智能芯♎片设计师或🥤🇧🇩许听起来令人担🎽忧，但De📒👸sig🦁⏬n Con🛒🎑duc👂🏕tor也有其局💟🥏限性🌶🅰。
研究结➕果表明，模型😼对超参数选🇨🇦🇵🇳择并不特🚾😨别敏感——在大多💤🕞数合理的🇫🇴👼参数组合下🌴，模型表现保持🐪相对稳定，只有👛极端配置才会🇭🇲🏹导致明显性能👨👨👧👧下降🈺🇧🇮。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🏃😾的语义特征猜🥿😦测答案是否正🇧🇹确🙍♂️。
