（来源：上观新闻）
这种组成结构体🔭现了估🍥👩🦰计器自🇫🇰然形成的平衡：来🕧自专业数据👦集的空间推理样本🙎♂️🖤有较高的"命中率🏖"，来自♦📉大规模🏊通用数据的样本🍖🐓则贡献🇨🇽🇦🇹了绝对数量，两🤗者共同构🚾成一个既对🕣📞齐机器人领域⁉🦴又保持广泛多样👨👨👦性的中间训练📨集🔈👨💼。但按量🗑计费的问🛠🎊题在于——用🇲🇳🐝量本身就🌓🚉不可预测🚧。现在的 Go🇻🇬🛂ogl🐉◻e 搜索要😩做一个「答⛸🤦♀️案机器」，直🚫💁接告诉你🍤🍨答案是什么，而且🆔放在最显眼📋🔏的位，但这个「答🇲🇼🎇案」的数据来源🇰🇷🕎包括 Faceb⛅🇲🇩ook🇲🇳 帖子和旅👨👨👧游博客，🇦🇲💂有超过一半的正确🏡♥回答无法被验🔤证，而且任🍇🛍何人只要写一篇博🧂客就能操纵它◾的输出🙅♂️。
多数模型的预📯测相关性😲🧔只有 0.📋05 到 0🛸.34 之🇧🇹间，Ge🇬🇬mini🇵🇼📞-3-Pr🇦🇨🐠o 最低，仅🔄为 0.04👟🎵——基本🇸🇭◀等于瞎猜💙。市场反应🇲🇷相对平稳🇱🇰。这说明海外的高🚣质量叙事还🗜🍡没有被🎄满足🔎。“这恰恰是神经网♊络中处理时序信📐🇪🇦息的基础🍉。这种现象的😦🇻🇨背后，是因✔🧕为现有的🎮🤑语言模型完全受🤝🐼制于一种被称为“🇫🇴🛐下一个词预测”的🚍☣工作机🏴🕑制🦐。“但这个产业链💆♂️特别长，技术体💄系非常复杂，🇹🇷完全脱♒离人还很难做到🌀，但最大限👩度减少对人🔂的依赖，🥬正在快🧝♂️速推进🇧🇦🙀。一个能力略逊但🇬🇪效率高 3 👨🔬倍的模型，🎻在规模化场👈🇲🇭景下可能比🍙“最强但最费⌨”的模型更有经🇨🇾济价值❤😲。
