（来源：上观新闻）
在 Googl➿e 对⚒ Gem🎴🤥ini 3 的💃😱内部评估中，模型🕧单独运🇨🇫行时的错误率🚳是 28⭕↕%🙂。此外，中间😡🏙训练对部分通😔📡用VLM能力的削🇵🇪弱，在某💀些需要🛷🤷♀️VLM同时兼顾多🦉🍊类任务的🧜♂️场景下可🎦能是个需要权衡🔻🎍的问题🦘🏯。第四种替代方案🎗是困惑度差值（🇰🇮💁Del🇲🇹ta P©erpl🇾🇹🔓exity🍸）：计算VLA🇫🇮🌟微调前后对📩每个样本困📽🌄惑度的变化🚨量，差值越负🍭😼（即微调后困惑🇻🇪度下降🅱✌越多）说👚明该样本📄越符合VL🈯🕙A的"学习方向🔈🏌️♀️"💴。他发布了一篇博👹🇧🇭客，标题是「最擅📎长吃热狗🌖的科技记者」，描🇧🇴述了一个🍄🔭完全虚📖🚶构的南达科他🇹🇨州国际热狗吃赛🇻🇮🥇，声称自👨🔧己获得🇱🇮了第一名🏈🇳🇬。
实际上，🎐科学界早就注🇦🇷意到了这👮个问题，🈴♉并提出过一🌘些早期的👨🚒解决方法💸。SFC 出品丨🎷⏭21财经🐨客户端 🇲🇼21世纪经济报🚊🇵🇰道🔵👨🏫。发现三🤴：模型之🇱🇧间“能效📥比”天🙅♂️差地别——G🇵🇸PT-🐉🌲5 最省，有的🍇模型多⚖烧 150 万🛀👩👩👦👦 To🐟ken 论文在👨👦👦🛴业界标准的🏉🚃 SWE🚾-bench 😑🚙Verifi🤧1️⃣ed（🛂500 🛸💓个真实🚲💋 GitH🏍ub Issu🍿e）上，测试了 🕕8 个前沿大📘📴模型的 Age🧞♂️nt 表现🌮🌗。但上市即巅峰📨。想象一下这个场🇰🇿景： 🌫你让 AI 🛳Agent 帮🥀↔你修一个🌞🦃代码 Bug🦅😴。
