（来源：上观新闻）
DC 可以无🦚限期地运行📊，但在本例🚓💇♂️中，我们在消耗了🧜♀️一定数量的令🎣👩💼牌后终止了它🇬🇼的执行🇲🇸🎯。第三种方🔫法叫合成🎡🇨🇻数据SFT，收🛶集每个能力🍍练习场景的成功🚍💊轨迹，然后做监督💷🥶微调，结果🆎只有37.8%👩🦰。在Tool🇧🇫Sand🐒Box上，系🇪🇺统识别出了两种📓🐒关键能力👩✈️😷薄弱点👩🔧。每一个专业代🛸👖理在开始工😀作时，不是靠"回🦆忆上一轮对话说了👨🦳🥂什么"，🤖👽而是先看🥂♣一眼整个工🧻🚵作区的目📃💇♂️录索引（一个🗒轻量的"地图"🐦），然后🍞按需读🇮🇹取与自己任务相6️⃣关的文件📁♣，完成工作后再把💭结果写回👊对应文件🏃😳。
这个发现背后🇫🇲有一个深层原🚭🇬🇵因：当多种能🗜👨👨👦👦力同时塞进一个模9️⃣🚨型时，这些🙆🛩能力之间会产生干🐩扰，就像同时💠🚙学习多门🧝♂️语言有时会让各🇫🇲自都变🧥🎻得不流利🇰🇵。有兴趣深入了解🛋的读者可通😺👩👧过该编号查询🦞🇱🇦完整论文🤣📚。这里有🇩🇪个细节值得注意🐶。这也从🇫🇮实验数据层面为👨👩👧👦😻TRACE的核心🦐🏒逻辑提供↩🇦🇮了支撑：🇸🇸⌛少数几种⛪❄能力的缺失，🥫🛄足以解释😊☔绝大多数失败案例🔉。
微信有十📿亿用户，但十😡💰亿里没👨👧👦🎖有一个 Ag🏂ent🇲🇾。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🍤😤seo和geo的区别量评估，🤯🚊从没有被专门训🇧🇹练过"逐区域🤙🎶分析"这件事🏄🔃。当我们谈论"图🛥像质量"时，🇬🇷实际上在谈论🕘🐯一件相当复杂的🔅🈸事情🏘。公司采用“基🔲座预训练+📱垂直精调”策略：🤽♂️🐐首先利用♥高校场景的庞大🌔🎂数据充分预训练🇲🇫👥模型，📵🧵构建其泛化能力🇰🇲；随后注入珍贵🌆的工业🇬🇾🥫实战数据进行🛩🏷针对性强化📝📬。
