（来源：上观新闻）
“这恰恰是神经🎌网络中处理时🇵🇼序信息的基础🎩🇰🇾。AI 😅闹：但你刚才🤹♀️说的无论是⏱🀄流量激励、🌆挑战赛、🎀给加热，都是抖💋音因为🦜🇮🇪有流量池才能做👖⏱。论文把这个现🇵🇼象总结为一句话🙌👣：驱动 Age🥈👨❤️💋👨nt 成本的，是⁉🇬🇬输入 T🇰🇬oken 🐣🥧的指数级增长，而🎎🇲🇬非输出 Tok🥦🌭en🔆。其三，筛😹选的结果在覆👹👩💻盖范围上保持了🤕🛍高度多样性🌁，并没有↕退化成一堆雷同的🥜🦔机器人风格数😆🌄据🐄。换句话👔➰说，分类🧐器的输出分🇮🇩数可以作为🚣♀️衡量"这个样本更⚽像哪个世界的人👩🎤"的连续尺🥬度🏷。
Agent🇺🇳 的“烧🇲🇾钱问题”，不是 📏Bug，而是🤒行业必经的✝阵痛 这篇👈论文揭7️⃣😒示的并🔬♾️非某个模型的缺🌒✂陷，而是整个 👾Age🍺🚸nt 范式的结构🇦🇼性挑战——当🇮🇩 AI 从“一问🎃一答”☮🇬🇬进化到🏊♀️“自主规划、💭谷歌seo怎么做多步执行、反复调🍱试”，🈳Token 消💹耗的不可预🛰🏃测性几乎是一🧿种必然🍶。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 7🚊00 万个 T🇻🇳oken（🏥🚳Figu🎆🏏re 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（F🇨🇭🇺🇳igure📱🐪 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 3🍡0 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🌅📨”🚌🇪🇨。
第二步，孵化🐯动作🐴。该图片疑似使🙃用了AI生🛷成技术，👩🎨请谨慎甄别 A🎁I 主📙播与真人主播合🔎影 虽🚅然如此，依然引🚃发了大量网友🎖吐槽，话题一度👮🍏冲到微♠博热搜第一🇸🇮📯。具体实现上，研究🇳🇷🥚团队把VL🖍👏M模型🔺📎对每个数💽据样本的内部🦐表示（也就🇸🇽🇦🇼是模型最🏫🕤后一层的隐藏状态🕵，可以👀理解为🍃模型对该🙎♂️内容的"内心🚡🏇印象"）🍃🤺提取出来，冻🧯🚋结不动，再在🇬🇱上面接一🧺个非常简单的🚎线性分类🇲🇨层，用VLA🇲🇾🧻训练数5️⃣据作为正样本、🤚⛪VLM训练数🈸🤹♂️据作为负🚠样本，训练这个💨分类器区分🇰🇳🎟两类数据🇵🇲。
