（来源：上观新闻）
这就像从"这🇦🇮道菜整体还行"变🚀🚩成了"这道🎾🍞菜的汤底很好，🧑🦝但肉有点老，配菜🚱♏火候不够"的专业🐈📞点评🇱🇮。MoE部📵👨💼分仍然用Deep👞SeekMoE，🍜MTP（Mu🏩lti-To🧢🇧🇩ken Pre🤝🇬🇪diction）🇹🇿模块跟V3保持🇨🇵一致🇸🇾🇲🇼。比如一张图里㊙，天空有雾霾📤，人物🇧🇾👊有噪点，背景💏有压缩🧹失真，系统需要逐🤩区域识💯别不同的失真📚🇲🇷类型😼。首先是"有🚙🧕效性"🗻🏉：图谱中的每🇱🇻🏯条比较👈☦关系，必须连🇱🇦👡接来自🧛♂️两张不同👷™图片的👩🦰🇧🇦Google seo对应区域，不能拿⏳😋同一张图片的☮👨👧👦不同区域相互🍪🍵比较⤵。
他们将失🌋👕真类型分为14🇦🇪🍫大类，分别❗😻是：模🇹🇱🔊糊、亮度增强、😇压缩失真、对🤸♂️比度增强🔏👩🎨、对比度🇺🇾🌪减弱、变暗、雾👨🎨霾、噪点👨👩👧♈、过度锐🚉😤化、像素化、雨滴↙🏳、饱和度增强、饱🇦🇽🧤和度减弱和雪花❓🐓。一个训练▶📨了两个万亿🇰🇳参数Mo🇸🇲E的团队🇧🇷公开承认🐇「我们不知道为什🚅么这两个tric🍠k管用」，🇯🇵在2026年🕟已经是一件📺挺稀罕的事🏧📱。未来方🇧🇪🍖向几条🇨🇴🥦，探索新维🥖🙉度的sparsi👾🏬ty（点名了E🦢ngr✉am那条线）、🥕低延迟🦹♀️架构、长📨时程多轮agen♎👮♀️tic任务、💫🧕多模态🤘⭐、更好的数据cu🖤ratio✏n⛰。
5.9🔑倍的训练速🍾🤪度提升，🤺🚶♀️则意味着同样的算⛑⚛力能在更短时间内🐠🐾完成实验迭代，🌴加快AI推理⏯🇫🇯能力的研究进展❓。Slid🇲🇼ing w👁️🗨️indo♍w attent🧷🕣ion作为辅助🙂分支🤶。过程中我们🧺🌂也会找合🕤作伙伴一起👩👧🇧🇭推动🕧。默认配置🤚🐦使用 DINOv🗝2（小型版本😶⤵，ViT-s🇦🇮👬，38🇬🇮4维特征🇯🇲），研究团队还测🕶试了 DI🔩NOv2🅿（基础版本🔓👮♀️，ViT-b🧛♂️，768维🇵🇦特征）和 Si🧟♀️🥢gLIP（768🤳😒维）的效果⚜。
