（来源：上观新闻）
随着模型能力持续🥳💅升级，产品已经能◻🇦🇹满足越来🗜📏越多的复杂高😉🤶价值任务🇩🇲❇。研究者让同一个0️⃣ Agent 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 70🎓0 万个🧟♂️ Toke⛄n（Figur⌛e 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🚘7️⃣宜的一🦁👕次的 👩🏫📂2 倍（⏳Fig🔭ure 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♐😑一点”，而是“贵🕗🉑出一个数量级⚓🇪🇷”🎺。
作者来自🚄🦢弗吉尼👙🥓亚大学、斯坦福大🤾♀️学、MI👬T、密歇根大🇸🇭学等机🙆♂️构🦡。”赵春➕江专门提到IB🍴M所总结⚱的“农民聊天机器🦚⛰人”场景，它不🕺仅能够回答生产生🏯活问题，还能给👩⚕️予老人心理慰🇲🇻藉，“AI不仅要🇯🇵✳种地，还能💱陪伴🎂💂。人工智能融入核心🙆🔤产品体验 苹🧜♂️🇹🇿果多年来持续🇲🇫投资机器学习，将🇨🇰💜其嵌入各类功能中🥠🌐以提升性🥤🔩能，同时又不🧯引起用户过多注意🧳。用t-SNE可🚆6️⃣视化（一种🥫把高维数据压🛂🇸🇱缩成二维🚌图来直观展示的技🌋🐉术）来看，机器人🦴🐖数据形成的那🤗几个簇🇮🇩，与VLM数🏯据的主要区🎏🇬🇲域几乎不重叠，只🍇🍮有极少数V🦊🇲🇷LM样本漂🏐💅浮在靠🎵近机器人数🧿据的边缘地带🔕。
