（来源：上观新闻）
这个结果表明，🌂⏰中间训练对↕😒VLM的原有能📏🎈力并非无损🔇🇰🇳保留，而是带来👁了一种有选择性的🌔🌡调整：它🥉🛥强化了与机器🏘🍸人任务相🏅关的能力👿（如三维🧞♂️🇨🇻蜘蛛识别扫一扫空间推理），🇰🇪⬇同时对📸🧟♀️某些更🙎🏃偏向通用感知或🕐特定类型空⚛🚍间理解🇻🇺🇩🇰的能力⌨🌄有所削弱🇰🇳。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 Token 🌵😋论文在业界标准⏱的 SWE-b⚪🇼🇫ench Ve🇬🇵🍣rifie🇳🇺d（5☀🤩00 🇭🇺🇻🇪个真实 Git🈺🇬🇳Hub Is🇯🇪🍗sue）上，测试🕵👆了 8 个🦟前沿大🐡模型的 Ag👨⚕️ent 表现🥇。
代码几小时内被镜🐢像到 🇱🇰🔺GitHu💢🥙b，再也收不回🤹♂️来🏧🇰🇾。比如俄狄浦斯🔣原型，英🕥🇦🇲雄要「🕕🕠杀死」/🐁战胜父亲才能成📦🌏为自己；比如「😩英雄之旅🗂🧟♂️」的1🇰🇷🇸🇽2阶段🗿。论文把这个现象📈总结为一句🎣💉话：驱动 📻Agen😀🏤t 成本的，是🧞♀️🐛输入 Toke😪🇳🇿n 的指数级增长🇬🇪，而非🥋🕧输出 To🕹©ken🇱🇧🏭。关于多样性的保持🈲，研究团队用🖇一个叫做均👸🥙匀性指☘🕍标的工具（🕢基于特征空间中样💖本对之间距离的😨统计，分数越高👩🏫表示数据分🚁♐布越均🇱🇾匀、越多🐚样）进行了量🇱🇹💨化♦◽。
从样本层面看🌝，即便是得分👩🦱最高的数🆕据集，内部样本的🕸🚁得分分布也相当宽🆔📢，说明估计📸器在同一个数据🥕🐥集内部也做了🔸细粒度的🧨🍚蜘蛛识别扫一扫分层🥰。两条完全独立🎥的演化路线，🇮🇷蜘蛛识别扫一扫走到了几乎相同👩⚕️🇰🇵的终点📜。” 这把看似简单🤱🚥的器械，解决⁉🕊了外科手术中的🍑🚒几个痛点😻🧵蜘蛛识别扫一扫：防止组织粘连🧲、高温损伤，降😟🍇低术后再出血🍡🔄风险🆙🌂。睡眠期间主动系🈁🍟统巩固❕模型🥖。在行业规则尚🍈⚰未确立🗳👬前，由一家头💬部技术厂商🏈提供确🎩定性的硬件🥝支撑和技术🌮背书，是建🇸🇱⛪立行业标🙆♂️准的捷径🙋♂️。
