（来源：上观新闻）
1、扩展🖐性 我🇹🇲🏄♀️们发现，🙁对于 DC 而👚👨👨👧👦言，扩展📨到非常庞大🇳🇿🇧🇻的代码库（例如🕖，包含⛳🇩🇬数百万行 Ver🕖ilo🛃🧡g 代💆🧼泛域名 泛目录 收录 区别码）并不♒👠会造成任何特殊问🌬👨⚕️题🎑。“我们⛹️♀️不会在全公司范围🧐内限制出差🇶🇦。他们开发了一😇📺个叫做👵🎾AiScient🐶ist🥣🇹🇲（以下简🤝称"AI科📥学家"）🇱🇷的系统，并在🇫🇴两个业界🖨公认颇具挑🦊🧺战性的测试基▶🔠准上验证了它的👫能力🎯。目前市场💥🌈上已经存在一🧁🔕些专门处理图像质♓🇨🇦量问题的大型多💄模态语言模📁🇮🇨型（可以📷🇨🇷把这类👨👨👧👦模型理解为"🦴能看图说话的🥺🕝AI"）🇮🇲。
而涌现的起点😃，从来不是🎥答案，而是问🍳😯题本身🎛♾️。然而就在 2🎪026 年 💿⛰4 月 22 ⛲💩日，这家公司用❕一枚真正👩🚀的“深水炸弹”回📊⬆应了所有猜测😸——C🦕hatGPT I🎿🍤mages 2🇲🇽⚫.0（代🇮🇳号 GPT-Im♿age-2）正式🇲🇹🧖♂️亮相⛰🇲🇲。参数量高🇸🇨◻达270亿的 G👑emini🎯 2.5🍋🗾 Pro（🤓谷歌旗下最先2️⃣🎈进的商业🚣♀️大模型之一）只有🍝22%的🎿准确率，🕤🦌而随机猜测的🙍🇲🇫准确率是20%🇨🇱——也就是🌻🤗说，G🧶emini 2🇲🇳💥.5 Pr🆚😊o 在这🦷项任务上的表🇷🇪现几乎与瞎🛴🔼猜无异🆗。六、这套🗿🐈系统背🍊后的数学逻™⛴辑：为什么"对🧯比分析"🚳比"失败分💸析"更可靠🕗🍱 研究团队在🐍🥌泛域名 泛目录 收录 区别设计能力识别🥺算法时🙀做了一个🐍🦚很关键的设计选😉🚋择：不是只看🧫💁"哪些能力在👈🏆失败案例中🐹👭缺失"，而是计💿🥐算"某种📥能力在🦕👨🎓失败案🇲🇱例中缺🇺🇦🛫失的频率🦒，与它在成功案👩👦👦例中缺失的📐频率之差"🔎。
