（来源：上观新闻）
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⏲什么是泛目录站群域出了什🇵🇱🇮🇹么问题，严😓🍠重程度如何🧻"——它们的🇰🇿📐表现就会🇬🇹🇨🇨令人失望🥐🆎。
这意味👩🦱着，日本厂商😱😌即使找到了替代供🇺🇳⭕应商，短期内🥜👎也难以🦖缓解生产压🌶力👃。这个发现在实践🤟层面意🦹♂️义重大☦🇲🇭。指挥官的🚊🤺职责是做🌻阶段性决策：现在2️⃣👩👩👧👧应该推🎛进哪个阶段的工🎍🎭作，应该把💑🇲🇪任务交给哪🗡个专家🙇♀️。**归根结底，这🀄⏩项研究说🥦明了什🎣💓么？** 这项🅾由华为技术（加👎拿大）团🧞♀️队完成、发表于🐹 ICLR 2🇭🇰026 的研🇸🇩究，用一种非常朴🇻🇮什么是泛目录站群素的逻辑回😃应了一个长期被💱⛱忽视的问题：AI🇩🇯评价图片🕋🎏质量时，不应👨⚕️🗾该只看整体，因为🦁ℹ整体感知✉🍉是由局😍部细节决定的，🔤而不是反过来🇲🇶💷。
” 以 🤾♀️🎠“生命之书”为🇫🇰例，姚双告诉记者🇨🇾：“很多🐕公司拿用🏉户数据👷🇲🇱做训练，让用户🍇的数据资💳产成为大模💞型公司🍲👩👩👧的资源♥。研究团队使🐩🧡用了一个名为🍃 DINO☄🤠v2 的预训💛练视觉模🔷型（可以把它👳理解为↪一个经过大量图片🎋训练的🚃🗑"看图🧓👾专家"），将输🏛🀄入的两张图片分别🍿转换为包含丰富⛈🇩🇪视觉信息的特🛩🕶征矩阵🚖。研究团队将🇰🇭😭AI科学🉑家与非层🦜🙍级化的简单代🧠🚴理（在Pap🔃erBen👶ch上对应B⌚🔵asicAge🥗🇵🇪nt，在M🐵LE-🧭Benc👨💼📥h Lit🕒🗽e上对应AID🛰🇵🇦E）进行比较，🧒🗺发现即使是🎷去掉文件即通🏧🤛道机制🚉的"残🎱🎑缺版"AI科学家🕚，在Pap💮erBench🧫上仍比Basi🇰🇬🤨cAgent高🧵出4.🇬🇳🏚74分，在MLE🥩-Be👔nch 🔅Lit🙉e上的"高于中位🥏数率"和任🚵♀️意奖牌🍹率也分🚑🇲🇨别高出⛱22.7🐼3和9🔪💐.09个百分点🇸🇭🎣。
