（来源：上观新闻）
**二、如何从💛海量数🥼据里"选出好学员🚒"** 弄清楚🇧🇴‼了问题📬🇷🇼所在，研究📃团队设计了一套数🇱🇨据筛选引擎，核心🚀📤是一个他们🐕😉称之为"🇨🇮🏄邻近性估计器"的㊗📼轻量级工具😳🦶。另一方面，收🥓费也有助于💊3️⃣用户分流，让🙎♂️有真正需求👳的用户使😆用AI，尽量避免🈚无意义的🔭⛴算力消耗🇱🇨。自然选择对📪🌙低效行为极🤖其残酷，但睡眠☁👨🚒没有被淘汰🕝™。
。而即使在⚔🦕同一个🧀数据集内部，不🇸🇴同的样本与机器🎱人世界的相关程度🔅🇫🇴也大相径庭🇦🇹。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☦🐜任务比最便宜的✡任务多烧约🇵🇾🐇 700🇲🇽🛸 万个 Toke🚨🙋n（Figur🔨e 2🌃a） 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💞6️⃣点”，而是“贵出🦶🆎一个数量级”☁😊。
