（来源：上观新闻）
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✉🇲🇹，最贵的任务比最6️⃣📅便宜的任务多烧约🇭🇰🇮🇴 700 万个 ⏳💟Token☔（Figu🦐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 2🕵b） 而如果跨🚴模型对比同😢一个任🐣🦋务，最高🧛♂️🤔消耗和最低消✏🍢google加速耗之间可以相差高🚖🈶达 30 倍😈 最后🕔google加速一个数💫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🇫🇯google加速”🇲🇷。
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👼⏩。而且这❎个低估偏差在不🦗🐐提供示例🏉🇬🇺的情况下🕘🏉更加严重🍜🚤。
那Vib👨🔧🙋♂️e Co⏰🗃din👱g的商业价值在哪💏？ 在于🗻👩👩👦释放了一个🇳🇺✡从未被满🖍💊足的需求市❗场，单🇰🇵🔯个需求小👨👩👧👦🆔到不值得做产品，👨🌾无数个「不值🇹🇭得」加☪起来，就是🤥🥑巨大的🎄空白😩。如果豆包🎬成了，那国内大🤓模型行业的 C🖕🥕 端商业化💋🚘，找到了一💦☔条可行的、不📪依赖低价内▶卷的路🎠径；如果它最终👮♀️🈚栽在了行业🕚的结构性😋😍难题上，那国🏴🧨内大模型玩家，📕🇵🇹就需要📃👔重新思考：C 端🇾🇪🈵订阅这🍁条路，👣到底怎么才🇰🇿能走通🛵🤗。
