（来源：上观新闻）
反对的人理🕉由很直接，用户做♣完一个小🇻🇪工具，玩两天就🛌扔，留🔦🖋存率特别低，💌🇬🇹商业模式⭐🐣走不通👕。你猜它们在推什么🚶？ 亲戚称谓计算🍵器、星座匹配测试🙂🇧🇪、请假话术生🇰🇼⚗成器，还有🇰🇷人做了🕵😀个喝水🇬🇹✋提醒工具；我看到🇲🇳🇧🇯的第一🇻🇬🐤反应是，喝水🇸🇦前还得先做个📞📪应用？😑💬手机自🛶带的闹钟就够用🇹🇭了🇷🇼。这说明中间训练带⚙来的不是一个🇵🇰🏏一次性的"开局优🤼♀️🏷势"，🇹🇹而是对模型内部表🕴示的根本性🆙👨🚒改善，🎐🏄♀️这种改🚱善在整个后续学习🐿🤒过程中都🍉在发挥作用🇸🇻。
故事的起点发🧠🏥生在模🇨🇵🖍型阅读🇰🇮🌜人类文字🎽的每一个瞬间🦏。论文发🧗♂️😏现了一个😁“倒 U 型”曲🔇🌶线： 成本水平🗼🇳🇫准确率趋势低成本🇹🇭🥖准确率较低（可能🇹🇲投入不🐮够）中等🌜成本准确率往👩🎓🍟往最高🧐💫高成本准确率不升🕓🏃♀️反降，进入"🔌饱和区间🏮👳♀️" 为什🇬🇼么会这样？论⏱😷文通过📺♥分析 Age🦄🍐nt 的😸🔛具体操作给出了答👨🚀☢案——🇿🇼🔀 高成👟🈹本的运行中，A🇭🇷gent 大量3️⃣时间花在了“🤓重复劳动🇦🇽”上🇻🇨👩👧👦。你必须先解决供给👩🎤🧙♂️端📕。第四种替代方🎌👖案是困惑度🛅差值（💜🚅Delta P🇳🇺↙erpl⛹exit🐙y）：计算V🇸🇪LA微调前后对每☕个样本困🗑惑度的变化量，差🐽👵值越负（即微调后👨👨👦困惑度下降🇦🇮越多）说明该样本🍬越符合VLA😆🍮的"学习方向👳♀️⛽"♥。
