（来源：上观新闻）
当预测越来🏎越准确时，A🇮🇸I训练的稳定性🍮也随之提升—👩👩👧👧—因为🇹🇫🧭一个好的基准🚄让AI能更清楚🍽👩❤️👩地区分"这次是🍌🇰🇼真的进步🥢👨🎓了"还是"只是运🧞♀️气好"🕷🛠。因此，在多🏢😾位受访者看来，🏴👩👧👧对于普通🚭用户而言，He🔞🔗rmes还不是一ℹ🎵款需要立刻投🎽🧲入时间和成本去🐳深度使用的工具🥰。第一步是🧁"出错模🏃式分析"🇸🇲。
” 以 “生📶命之书”为例，🤜🏚姚双告诉🏞记者：“很🇦🇸dea模型对于本科难吗多公司拿🌀🗼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🦸♂️➡。一个月后，马斯🤲🧙♂️克宣布Spac👳♀️🗝eX将🥕收购xA👩⚕️📹I，后者正🦃🌑花费数十亿美📐元投资A🇨🇲💶I研发📧🔶。” 自变量创始💪🔧人王潜🖐在发布会上，◽用一个再普通🧝♀️🎳不过的🍿👣早晨场景，揭开了⏬⛰行业光鲜表象⛎⏭下的真实现状： ↙拖鞋不知踢到哪🇵🇦🧳里，厨房🇵🇬的碗还没🇩🇰⏱洗，孩子🇳🇷🧤的书包扔🇵🇫在地上，猫打翻🚥🏑了一杯水……📏 这些对人类来说🕛几乎不⚓构成挑战⚖⛹的碎片任务，对▶当前所有机器人而🚺🛐言，却是不可☦🦛能完成的任务👨⚖️🚈。
这种对物理规律👩👧🐪的理解，正是零🔃🇱🇧样本泛化⚓的基础🚾。参数量高达📼🎽270亿的 Ge✔mini 2.5🙎🎪 Pro（谷歌旗🇦🇺🇬🇹下最先进的商业大👶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，Ge🇼🇸min🥋i 2.5 P⏬ro 在这👊👨❤️👨项任务上的🎓表现几乎👩🦳与瞎猜无异🔲🈚。
