（来源：上观新闻）
我看到的不🇨🇳目录编辑一样，在C端，在🧟♀️每个普通🇨🇲👬人的手机🇦🇽9️⃣里，还藏着一🇦🇿个更大的机会🈲。具体实现上🇸🇿，研究团🚪队把VLM🥓模型对每个数据🏄♀️🥫样本的内😴部表示（🚭也就是模型最后一🇱🇧层的隐藏状态，🌟🍩可以理解为模型🌑对该内容的"🌆🍠内心印象"🧧）提取出来，👩👧👦冻结不动，再在上⏲面接一个🦐🏡非常简🖖🔆单的线🍠性分类⛎层，用V🇮🇪🕑LA训练👧数据作为正样📛🛏本、VLM训练⚒数据作🕴🇧🇪为负样本📔🍠，训练这个🥀👨🚀分类器区🏴分两类数据🇳🇴🇺🇾。
它们就😗像是一个🦁毫无心机👩⚖️的直肠子，📂🤦♂️只根据你刚才输入📮🇭🇰的内容，凭借🚚本能去猜下一个最👩👧🕴有可能出现的🧖♂️☪字是什么，完🙍♂️全没有“💂♀️停下来想♾️👩👧👦一想”的🇹🇬内部空间🇦🇬🇵🇬。研究者让同一⏰个 A🕳🉐gen🤹♀️🇸🇻t 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 7👌🇸🇯00 万个🎋 Token（F🔫🤺igure 🈴🍏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（F😄😝igure🎣🎙 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”🇹🇹🖕。
