（来源：上观新闻）
Embodie🐿dMid🇺🇬🍚train提供🇹🇴👙的解法🎴——用一个轻量🇦🇼级分类器🐱🔼来衡量数据的领🎓🇱🇹域对齐程度，然后❗📋用筛选出的样本做🍓🔩中间训练——是一⛪个计算代价低⛱🇪🇸、无需🗝改变模型架📮🌅构、具有🚱跨架构迁移性的😂☎方案🇷🇼。
研究者让同一个🧂 Age👥nt 在🎻🕠同一个任务🐅➖上跑了 4🖐 次，🔪🏁结果发😂现： 在不同任🇧🇿务之间，最贵的🇷🇪任务比最便☸宜的任🇲🇸务多烧约 7👄💔00 万个 🌲🍩Token🥘（Figure 🐌2a） 在同一🤫模型、🕣同一任🏍🐟务的多次运行👄🏡中，最贵的💟一次大约是最便宜📲〰的一次的 2🐾 倍（Fig😦✉ure 2b）🛒 而如果跨模型对⛹比同一个任务，最🇭🇹高消耗和最低消🌡耗之间可以相差🍀📯高达 30🌖🗂 倍 最后一个🐮🇬🇶数字尤👩🚀☕其值得关注：这🧘♀️意味着，选对模♋型和选错模型之间🇷🇪➕的成本差距，不是🇩🇰3️⃣“贵一点”，而是🐕“贵出一🔖🈂个数量🇨🇰🤓级”↗。
2. Token🏚⬛ 效率应该🐢🎌成为选模型🛌的“第三指标” 💆♂️传统上，企业🇩🇴选模型看两个维度♊：能力🏍🇬🇺（能不🎇能干）🚖💱和速度（🚻干得快不🤫💉快）🍌🐡。这种头部🇰🇳，一年能卖三五🥕个亿 🥼♒GMV📄*️⃣。这说明中间训练带🇸🇮🦢来的不是一个一💺⌨次性的"🇨🇮开局优势"，而是😨💡对模型🇮🇩内部表示的根本😴👨👩👧👧性改善⏯，这种🎃🙁改善在整个后续⭐😃学习过程中都在🏴☦发挥作用🇶🇦。
