（来源：上观新闻）
某些VLM🇧🇹数据源——比🤶如专注于空间指代🎩⚫推理的☂🗳RefSpat🌿💜ial数据集—🇨🇮🐨—与机🕐器人数据的距离🇧🇫🚅，明显😕比纯图文🛵🔷描述数据🇭🇺💳更近🎵🌝。（本文🅱作者为 商业不⬜🇯🇴许冷，🥿钛媒体经🦒♏授权发布） 文 ⛩🇻🇦| 商业不许🚅🤾♂️冷 智元机🇹🇳🐯器人估🇲🇾🚽值约150亿，👉🏌擎天租30🌛亿👸分级阅读的四大害处。
Agen👁️🗨️✌t 的🚕“烧钱问题◻👻”，不🍊是 Bug，而🖍⛳是行业必经的阵痛🔣⛓ 这篇🐞论文揭示的并非某🇲🇹👵个模型的缺陷，而🗜🆗是整个 😀🌩Age🤬nt 范式的🍆结构性挑战——🇧🇩当 AI🇨🇿 从“🦅一问一答”😄进化到“自👨🔧🇰🇼主规划、🇸🇸多步执行🧣、反复调🔸🚴♀️试”，🥍💖Tok🇳🇴🕴en 消耗的不🇲🇬可预测性⚽几乎是一种🚍必然🈸🇬🇩。
。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🥃分级阅读的四大害处升反降，进♋📽入"饱和区间"🍫🇯🇴 为什么会这样？🐳论文通过分析🔉🗣 Agent ✂🚆的具体操😲分级阅读的四大害处作给出了答案🇳🇷—— 高成本的👆运行中，Agen🥩t 大量时间🎸花在了“🇻🇺🇬🇭重复劳动”上🕣👛。
