（来源：上观新闻）
也许可以试试🇱🇧把入口反过来，🇻🇺🌛告诉用户，你🧫有想法，🇸🇻🇲🇫可以通过说话✋🧞♀️的方式做出东西👨👦👦，帮你把🇦🇿事情办🔺了，是「给你一🇵🇦个随时能解决问题👩👧👦的服务」👨🌾。第三种替代📢方案是VLA条⛔🛳件困惑🧘♀️🏟度：先🌤🇵🇷把VLM在文本😌形式的⏫VLA数据上微调🤬一遍，然💖后用这个微调后的🏯模型对候选V⏸LM样本🇬🇮评估困惑度🇩🇯（困惑度可🦎📼以理解为模型对🏷🙀这段内容的"意✏外程度"，越🔄低说明🇪🇹✒越符合模型预🇫🇰期），🥗困惑度越低的样🇾🇹本优先入选👨⚕️。Goog🦊😒le 的 A📱I Over🖼😬view🇭🇺☯ 将他列为第3️⃣🐺一名，♈并引用了他在那🥾个虚构比🔗👿赛中的「成绩」♒。此外，根据你0️⃣🇹🇩使用的键盘👨👩👧❌语言，@符号的位🖇置也并不总是🇨🇻👨👦相同的： 在美🛬⛱国键盘上🌼，是 Sh🥘ift🏃♀️🎼 + 2👪。
AI 闹⏏🐖：现在🇭🇹跑下来💞🇳🇿，什么超💾🚿出了你的预期💳🇹🇹？ 刘耕：P 的🍠🤮付费意愿比我🔃❓想象的👠😦高🕍🐼。Figur😨🐙e 11 的散🇸🇯🤸♀️点图中，几乎所🍷🥓有数据点都落在☁“完美预🇷🇺♐测线”的下方—🤼♀️✔—模型觉得自己“🍌花不了那么多😩”，实际上花了♣更多🎼。它需要将原文的🧁🛰真实信🇸🇪🇭🇷息与自💶己刚刚在😃💚草稿纸上写🇧🇹下的各种发🗑散性思考进行🙎融合😃⏩。（本文首发钛👑🏝媒体APP，作🇰🇲者 | ⌛🤠硅谷Tech🏴 news，编辑🇦🇪🇬🇧 | 赵🌀虹宇） 注：本🥟文基于 2026🗡 年 🇷🇴4 月 🎻👸24 👨👩👦👦🥛日发表于 arX🏉▪iv 的预🇳🇴😁印本论🦒🇨🇫文 *How👷🏙 Do A😳I Agent🏕🇦🇶s S🖱pend Y⁉our🧚♂️ Mo🇨🇰ney?💘👞 An❗😦alyzing 🌰🧐and Pred📵🇰🇿ictin‼🇧🇼g Toke💟☄n Co🤦♀️🆚nsump📆🏑tion i🐫🇦🇩n A🥳🚚gen🐣tic Codi🇨🇿♦ng 👭Tasks*👩🏫（Bai, H✝uan🇨🇭g, Wan🇩🇴g, 🇰🇿🐡Sun, 📪🇹🇰Mih🇸🇿alce🍣🚢a, Br🗃😁ynjolfs🇾🇪👡son👫, Pentla🐁💥nd, 🤽♀️Pei）撰🗿👯♂️写🐳⏯。
