（来源：上观新闻）
这些对比🇲🇪共同揭😒示了一个道理：V🕳LM样本与VL🥴⬜A领域的对齐🛷🆙程度，是一🥒个需要🐐从数据🇬🇪中学习的复杂信💾🇰🇼号，而不是可🗑📙以靠直觉构👅🇱🇮造的简单距离🧼✡或困惑度度量✝。实验设💟计的精妙👩👦之处在于🌏：它不告诉你 A🦍🇮🇩I 在帮📂🏞你，只是❗🇱🇷把方案摆在那里📅🚍，看你怎么反◻🎙应📍。
当 AI Ove😬🌼rview 给出🏞错误回🐠🏙答时，引用 F📌🐍acebo💷ok 的🇨🇺🇿🇦比例是 7%；当⬛🙌回答正确🚢🇷🇪时，这个比例是 💫😴5%🍪。以1.1B参数📫量的I🇵🇪🌩nternVL🤘🇨🇾3.5-1🦜🇪🇨B为基🍔础做中间🇨🇩训练后🥡👨🚒，该模型在🇸🇱Calv🇪🇦🛑in上的平均💁完成任务长度从3📜🎚.17⏳3提升到3🎫.714，在Si⚒mplerE✏🕋nv上的成功◀📛率从36.5%提🔙升到56.3%，🎬🏎在LIBER🔃🍞O上的成功率🇸🇳从39.🔏🔛0%提升到58️⃣4.2%🌞。
它打开项🥚目，读了 2🚉🇸🇹0 个文件，🤭改了改，跑了一下▶测试，没过，🤳🎚又改，🇦🇨又跑，还是没🤖过……来📎♦回折腾🦁🧘♀️了十几🇻🇳轮，终于——🏎还是没修好⛰🕹。如今，你🌛几乎会在每🐒个电子邮件地址和🌼🗺社交媒体账🐓号中看到它，🚈但它并非🇯🇪🌉一直如此出名6️⃣。
