（来源：上观新闻）
五、训练越多真的🕛👐越好吗：T🐭RACE🌏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，TR🍲ACE在覆盖1种🌗、2种、🚵♀️🏟4种能力时，通🧵过率分别🇵🇸📊约为40.🌟🙉3%、🌄43%、4🤵7%，🧚♀️🥯呈现出稳定的递🚐进式提升⛄。亚马逊硬件师🌔GPD表↘🇲🇰示，这意味着D🤤🧙♀️eepSeek👱可能解决当前的🚲🐓HBM短缺问题🦏🤹♀️。
它是一个🇯🇲新范式的起点🌓👃。--- 一🙏👩🚒、从"写代码的🎤AI"到"做👚科研的AI"🇳🇫🥖，这一步有🇵🇲多难？🚣♀️ 科研工作在很🌫多人眼里是🥍一项需要☀高度专注🦙和持续👬推进的复杂工👱作📉🍌。这个目标并📜5️⃣非单一🎖目标，而🇺🇳✨是几个不同设🚥计目标🦹♂️的组合🇹🇿（功耗🛥、性能和面积🕦，即 PPA🎟🎠；功能约🚰🇲🇹seo的培训班束；以及架🇳🇴🌦构输入）🐿。
更重要的是，他们❌👨❤️👨通过大规模实🚾验揭示了当💳🙍♂️前最先进📴的多模态✡📽大语言🥫模型在区域级质👩👩👦量理解上的🦆🐓系统性短板——💟即使是🚣♀️🎲 Gemini🇧🇦 2.🐛🤜5 Pro 这样🤽♂️的顶尖😀商业模型，在🇧🇭💆♂️这类任务上的表现🥿🦢也接近随🚺🇧🇿机猜测的水🌹🇲🇲平📇。三、在客🇬🇶服和工具🐡使用两个战场上📩，TRA🏊♀️CE的表现究竟如👘🇲🇶何 研究团队在🥙两个不同的测试场🌉🌧景中验证了☎TRACE🇲🇨🈲的效果☺，相当于把这🔈套"诊断📈-补课"🍤系统放到了两🚵个完全不™同的考场里🌽👩🎨。
