（来源：上观新闻）
在受控对🎑🇦🇼比实验⛺中，AI科学家使🧝♂️用两种底层🏘🚪模型均达到了8❇1.82🍼%的任📓👨❤️💋👨意奖牌率🧧🇧🇷，分别比最强对比🛣系统高出4.🇵🇬🇲🇩55和18.1Ⓜ🍈8个百分点🏏❣。长时间运行的🏠自主人♥🇬🇱工智能代理为改⚠变这种现状提供🐦🇻🇺了一个充满希🧝♂️🦋望的机会🐈。--- 六🏳🇺🇲、实验结果：两🎠🇽🇰个基准上的表现🤷♀️🤧如何？ 🇨🇼研究团队选择⚱了两个互补的🍠评测基准🚻来全面考察AI🇺🇳科学家的能力🏑🧵。
创作者的🌒良知，才是守👁〰护真实的根本👿。它的设计思路，🐼很像当🏪🥿年苹果🔜M1芯片的统🐋🆘一内存架构😳🐍。而具身智能🇧🇩🥎或许会让✝我们意识到🦃⚛——真🥇🇱🇰实的陪伴🇧🇼与物理上的分🚳🕞担，从此不再⚙只依赖💎🥤人类自身🇸🇸🇵🇲。五、训练越多真🖼🔫的越好吗：T👸😿RAC🖨E的扩展🎚🍬规律 🀄研究团队🇸🇦🔗还专门研究了👨👨👧一个很实际的📗▫问题：🤝🧐增加训练资源🇯🇵（更多🈹的模拟对话🏊🍂轮次，或者训练更🌫📩多的能力），带来🧸😪的收益是否能持续🇼🇫〽增长？ 🚼从能力🌗🔇数量的角度看，🎎🕸TRACE在⭕🍍覆盖1种、2种🇸🇨、4种能力🚛时，通过率😙🚃分别约为👩🦱40.3%、43🎒%、47%，🇸🇷🇮🇶呈现出稳定🕌的递进式🏏提升🍎。
这种高度👓🇧🇦集中的分布🇬🇫说明，💔目标场景的失🍉败模式并不是✉👩🎓均匀分🤔🥽散的，而是高度聚🦚😂焦在少🕔🎚数几种能力缺失📧上☁。一个很简单但🥙🇸🇩很实用的 Ca🌲se🍭♥。研究团队特😋别为失真🦅⏪图设计了👾三条数📑🚾学性质，🧣💵以确保这🚟种图谱能够🇴🇲准确、一致地描述🖖图像对比🍁关系🇧🇩。
