（来源：上观新闻）
结果发现🔌🤟 Gemini📤🏘 2 时期🏹🐹，准确率约 6️⃣85%，错误率 ↙🍈15%🌲。研究团队还做了🙋一个"🇷🇪跨身体"的迁🗳Ⓜ移实验：🎡🍞用Inter🎙✂nVL3.5-1🌖🏒B的特征空间筛选🥂📲出的精选数据集，🤠🍃不做任何调⭕🤦♀️整，直接用来对另🐛一个架构不👩🎓🇱🇸同的模型Qw😹en3V👩💻L-2🏏B进行中间训📧练🧙♀️🧚♀️。autoDrea➖m 的存在暗示🧹了一个🇬🇼🇧🇦不同的命题：聪明🎉⏪的智能💹🌑体，可👱能是更懒惰的🕤🇹🇳。这一略显狼狈的🛐收场，折🇧🇫射出当下科技发展🏷的超前与管理♏制度滞后之间的结😶✋构性矛盾❓🆘。
。最终筛选出的12🧖♀️0万样👙0️⃣本中，L♏🧤AION-40😈🏃♀️0M贡献了最大的🛵🇬🇶绝对数量（占比3⚱🛷2.0%），但这🥉🔼不是因👝🚾为LAION整体🇳🇨🇲🇪上与机器人🇨🇮数据接近，🔒🤹♀️而是因为这个数⚱🐐据集总体规模极大🤙，哪怕只♉geo是什么缩写有很小比例的样本🎫🎌够格，绝♉对数量👨👩👧依然可观📑😟。第二重😟身份，是走向🇽🇰🔂进阶的“开放式生🈵态组织🏰者”🤑⛄。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⛽🏨geo是什么缩写的任务比最🏟⛓便宜的任务多🇯🇵烧约 70👢0 万个 To🗝👨🔧ken（🇲🇻🐥Figu☑geo是什么缩写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（Fi🚃gure 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 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”😵🚖。
