（来源：上观新闻）
与此同时，这个价🦀🧭值模型用一种叫🐻📵做"二🇪🇦🍸元交叉熵🧳🎌"的方式训练😙，本质🇩🇪上就是让🍃引谷歌蜘蛛它学会更准🚖确地预测题目难✌度🤒🧰。但研究团🇸🇻🇲🇽队发现🏂，当你给这些🤶⛳模型提出更具体🇰🇼☕的要求⤵——比如"👨⚖️🦸♂️请告诉我这👨👨👧👧🗽张图片里每个🥕🛸区域的质量如何🇷🇪，哪个区域出了什🤞💊么问题，🌖📙严重程度🤱🚧如何"——它🛣们的表现就会🚌令人失望🇵🇾。与Op♋👩🍳enClaw🎩🦢不同的是⏭👩💻，Herme🇹🇱s多长了“🇱🇻☺脑子”，▪主打自我🚟🇳🇵进化，这👨🍳也是其📍🥁迅速走红👗的主要原因👅🇲🇷。只有一小撮人🖇🦆认为，这类🇮🇨🚯题材适合AI创作🎸🌨。
研究团队做了一个🎥生动的🕢🗻实验，把同样👟两张图片同时喂给🍩当时最先🚊进的多模态语言模🎥🐺型 Co-Ins🚥truct，并提🙈🍐供了每个区域的名🐂称、描述和边界👩👧🕯框坐标，请☕🇦🇱它回答每个区🌘🇼🇸域的质量情况🧱。这个基准1️⃣😙出了名地难—🇹🇰—此前最好的AI🥰系统只能📲🍷完成约21%⚖的评分🇲🇾😄要求，而顶尖的机🚎🇬🇹器学习博士🃏生在4🍶8小时内🐙🇲🇾能完成约41👨🌾🍾%🇰🇼🇧🇿。确保所有汉字和💋💇数字渲染💤精确，🥋🥟布局清晰优🇸🇬雅🌾👨❤️👨。实验结论 🎼在实验部分，有三🚋件最值得⛄说的事🕶引谷歌蜘蛛。失真图把图片🥊🇨🇿拆成多个区域（🛸☁如人物、天空🍙🥩、背景），❇🕳为每个🇦🇴🔞区域分别🧶引谷歌蜘蛛记录失👼🇰🇿真类型、严重程🇬🇲度和质量评💙🎊分，还能对🔬🇩🇿比两张图片中每🏍个对应区域的🎬优劣➡〰。这种“所见🤩即所得🔭”的可靠性🥭，让设🌟计师终于可以放🏰🚝心将重复性工作交🐵🎫给 AI🐻。
