（来源：上观新闻）
这里的“读”不是🇪🇹🇭🇲指人类读代码，⏫而是 Agen🎚🐖t 在⛱工作过🇩🇯🇲🇳程中，需🌍要不断地把整🚧个项目的🦑上下文、历🐳🔦史操作记录、🕚报错信息、文🥾✌件内容一股脑🇬🇵儿“喂”给模型🇲🇫🐹。IT之家了解🌠5️⃣到，Fract🐄🧐ile 的芯👩❤️💋👩🆒片采用了👩🦰🇹🇿不同于现有🔼主流 AI🇹🇻 XPU 🇪🇸的“模🇳🇦🛌拟内存计算↕”架构，宣称🌗运行头部模型时可🧙♀️🧙♀️实现 2🦂🇵🇫5 倍的速度🦸♂️、1/🇧🇬🇰🇭10 的成本🏔。这就导致了一个尴🌥尬的现实🛂🇰🇿：开发者几乎不🚣♀️可能凭直觉👩⚖️👏预估 A🚎gent 的运行👴成本🚵♀️🧘♀️。这种人的🦆产出质量，比 B🥴 端要高🛄🍧。
此外，👩🚒中间训练对部分👨❤️👨通用VLM😰能力的削弱，在💼某些需要V🗓🇸🇩LM同时兼👽顾多类🇭🇺🌁任务的场景下可🦏🏥能是个需要权衡的🇹🇿⤵问题🇫🇲9️⃣。LLaVA🧝♀️☢-Instru🇻🇬🥑ct-🐂665k贡献🤠了20.2%，🇸🇴RoboP🍋oint📔🗳贡献了19.📊9%，☑💡RefSpati👴al贡献了14.🆎🤐7%，🌞🇵🇱Robo2VL✈M贡献了9🏮🔶.2%，CC-🧹🗞12M🎯贡献了☎🎥3.7%，而Em©bSp🧪😜atial-🇵🇳Bench和V🏯⏹CR则🥄几乎被完😷🇻🇺全淘汰（分别🐝仅占0.1%🇵🇱和0.0%👇⛳）☮😥。当研究人员📍🕘限制模型只能🥕生成极其简🇨🇨短的内👉部思考🧱🃏时，它的🇬🇶性能提升相对有🛠限；而一旦放开🧗♀️限制，让模🇨🇫型在给出最终答案👯前进行足🐻够长篇幅的🇬🇭深度反🥈🕤思，它在各项复杂👩👩👧👧推理任务上的🍩🎵正确率就会像🍞🌎攀登阶👩🔬梯一样🥶稳步上涨👬。
