（来源：上观新闻）
第三种替代方案是📮VLA条件困😳🐻惑度：先把VLM🇲🇿🤥在文本形🌪式的VL💫👳♀️A数据上〰🇸🇹微调一遍，🏊🍢然后用这个📧🥡微调后的模型对👴候选VLM样🇨🇰📧本评估困惑度（困🔆惑度可🏁🌗以理解为模型😔对这段内容的"🇨🇽意外程度"🕍，越低🚩⛳说明越🌫📹符合模型预🚎🇺🇿期），困惑度🌆🗿越低的😼样本优先入选🥜🇩🇿。社交媒体🧛♂️☑是主要的信息🎳➰来源，但👨👨👧👧🍓缺乏核⏭实 换句🇨🇨🇧🇪话说，你看💳到的那个「最权🎵威」的回🇵🇱答，数据来源可🧞♀️😵能是一条💝🌈 Faceboo✌🔢k 帖子，真🇬🇳是没招了💫🍒。
这项研🏍🇨🇵究还揭示了一个🍺🧟♀️ AI 产品经📒🏢理们，可🚣♀️能不太愿❔🇾🇹意面对🌥🇨🇴的事实🐃🥡：使用 AI 🦙方案的人花了更🤧长的时间完成任务🈷😏，而不是更⛑短🎫。研究者让同一个 🇦🇿✍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 T💫oken（Fig🍍ure 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”👥🌪。
