（来源：上观新闻）
训练与推理🍼🤝对硬件的需求⚰🇨🇼差异显著，统一🕑🇹🇨芯片意味着⚾在某一场🇨🇨🇰🇿景下必然存在资源🥨🇵🇬浪费👟。系统的顶层有一😇个"指挥官"（O🐵rche🧴strator♈），它不需⚛要随时🇸🇭🐍掌握所有🔒细节，只需要📤🧕蜘蛛知道项目🏦走到哪个阶段😘了，下一步该交🎰给哪个专业团队🦓。
后者的下👽🔹降尤为值🥣📨得关注——去📖掉这个机制后，系🛐统仍然能产🇩🇿🤼♂️生有效提交，🇸🇳🌁也还能获得一些铜🇹🇰牌，但银🌏💋牌、金牌🇲🇫这类需要🌻多轮精细优化才❕能达到的成绩大幅🥤下滑🕥🇷🇼。这不是🤬🎰一种妥协，而是👩👧👦一种更贴近🍰🏡问题本质的🧲视角💏。这些讨论🐈🏺我没有参与，他们🏸👨⚖️在群里商量🐺🛐。
AI科学家🎸在使用G🚣♀️📳emini🚒-3-Flas🆘h作为底层语言模🕯🇱🇧型时，平均得💅分达到30.5👷〰2分，比同✡🔻条件下最强的🚣🧘♀️基线系统高出👙🕰9.9🥣2分；使用GL🗯M-5时，平均得📋分达到33.73🇰🇼分，比最强基🙇🇮🇸线高出11.1🐂😪5分🧑。与此同时，🇩🇿🕤"条件推理👽"、"数值计↖💳算"、"早🦁🧻期终止😵"等其他候选能💰力只出现了少🔃数几次🇱🇾🐰，无法📧通过筛👚💦选阈值，说明它们🇸🇳虽然偶尔出现⏬在失败案🥚例中，🌐但并不是区分成败🕴👲的关键因🦵👲素🌺🇲🇦。
