（来源：上观新闻）
研究团队在五个V🚾LM标🤾♀️准基准测试🇹🇳上评估🖕⏹了中间训练前后的🔕变化🇧🇫。这样做🍬👊的好处⏩📆是，当光🐟🇦🇩线照射过来，可将🦕🥒光生载流👨♍子中的电💦子储存在“储🇨🇼💃蓄池”中⭕🦡，然后在需要时再💦通过施加外加🙁📅电压将它提取出🦐来😗👨👦👦。虽然它们思考时🇪🇷没有紧🥎锁的眉头，也☮没有转动↙🚣♀️的眼珠，但在那些🏜🦵冰冷服务器内部💸🛅疯狂闪烁的芯片中🤼♂️，真正的“深思熟🇹🇦虑”正在👨👩👧👦🔥悄然发生🌯。美国官员表🏺🌹示这项🐊技术把某些任🤹♀️务从数月缩短到📒了数天♐。
现在，这🏓样的剧情已🇽🇰🐖经成真📭🙀。每一个「算了🎱」的背后，都是🍫🎍一次没完成的服😬🍿务，每一个🏐「非标」，🚴♀️🕐都是一个被放🍞🎌弃的用户🖋。研究者让同一个 💸Age🤳🔹nt 在同一个🇸🇧🎤任务上跑了 4🔷 次，结果🦋🐆发现： 在不同任👵🌶务之间，最贵9️⃣🥶的任务比最便宜🎛🔸的任务多烧👨👨👧约 700 万🔩个 T👙🍨oken（Fig🇮🇲ure 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🏓（Figure💻 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”🇮🇩⛽。
