（来源：上观新闻）
B（传输协🏫♓议）： 这个🇮🇪🍗数据转移🥈🔸过程，依赖于两个🇦🇪♥区域之间🥬高度同步的「对💿🖍话」🕌。研究者让同一个🌛👨👨👦 Agen🙌t 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🔎 70📿0 万个🈶 To🔯🛢ken（Figu🆑re 2🦒a） 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（Figu🍫🌃re 2🇩🇯🇺🇾b） 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“贵一🐖🚠点”，而是“贵🏝出一个数量级”ℹ💔。
但长期🏛来看，这件事能否🏣真正跑🇬🇵通，核心不取🥇🇬🇲决于它的🇱🇦用户规模有多🙏大，也不取✒🔹决于它的🐻🇼🇫模型能力有多💣强，甚🅾🌂至不取决于🕞🇦🇹字节的生态优势有🥌🖇多明显🆖，而取决于它能👨👨👧👦🔊否解决两个最根🦀本的问题： 第🇰🇭🔊一，能不能把字🍴🥓节的生态优🍐💰势，真正转🔵🔡化为用户🧲🇱🇷不可替代的付费刚🇪🇨♨性，而不是可🐱📶有可无的👨🎤营销噱头；第二☎🧷，能不能跳🍸🇬🇸出国内 C🇲🇪 端订阅☣🇿🇼「低价🕗😾内卷、低续费率🗄🍡、成本倒挂🇷🇸🚻泛站群程序源码」的行💤业死循环，🇳🇨🏖找到真正健康可🏏持续的商👳⛪业模型🇻🇬。
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❣。」这正好2️⃣印证了研究者的判😿断😝🍍。海外有机器人🇩🇬Ⓜ，没这玩法🥺 在具身智📮🕕能的全球竞速中，🙇🔑平台化的演🏴进呈现出两➗😧条分明的路🤦♂️🍿径🛒⬜。
