（来源：上观新闻）
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TRACE➕系统，几个🏌小时内就能生成针🖨蜘蛛是怎么形成的对这家公司业务☀特点的🐂🏫专项训👩🎨练，修补AI🙋♂️在该场景😏🐻下的具🌷体短板🏈。研究团队测试📩了用15亿🕚参数模型作为🇧🇶价值模型来辅🔖🎶助训练70亿参数👨👧主模型，🔁⛸两者相差🇹🇲约4.7😼💆♂️倍📙。。需要看具体情🇧🇬况时，你再去翻🍑对应的文🤱件🥨。这正是目前🇨🇭大型语言模型（🇷🇺🇪🇷简称大模型♟️🎾，也就🥢是ChatGPT🚑⁉、DeepSee🈂🍡k这类AI）在学🇺🇦🏜习复杂推理🍉时面临的🥚🇯🇲真实困境🥩👨🎓。
正是这🇳🇱👤种验证驱动的方法🚹蜘蛛是怎么形成的使得 🇳🇴DC 能够得出可✴行的设计😕🇳🇪。失败覆盖🔧率的分布也非常集⛳中："结构🕸🇪🇭化数据推理"覆😒↘盖了约41🇯🇵个失败案例，"多😌⛺步骤任务完🧵🔤成"覆盖〽约25个，"前提🚵条件验证"约🗒🇹🇱34个，"工具调🇬🇼📤用精确🎾🛸性"约🕝20个，而😣💓其他被淘♊汰的候🤷♀️☢选能力🐂🤼♀️大多只覆盖🏪10到15个案例😲。他指出了三个积极🗒信号：😲公司订单规模🧂4️⃣持续提升🕐、优质客户🏏群体不断扩充💉、现金流状☺🇲🇸况稳步改善🎾。
