（来源：上观新闻）
研究者把所有模🔓型都成功解决的任🏋️♀️务（2🔑🧜♀️30 个）🍸和所有模👨👩👦👦型都失败的任务（🇬🇮🙎100 个）分别🇸🇳🙈拿出来比较，发↩💐现模型的相对排名⛴几乎没🌋有变化👩👧👧🥤。发现五🌙：连模型自己🌔↘都算不准自己🇵🇹要花多少钱 既◻🏤然人算🌉🖱不准，那🇧🇼让 AI 🤽♂️自己来预测🛢呢？ 🔚研究者设计🧟♀️了一个精巧的实👩👩👧验：让 Ag☯ent 在真🕛正开始修 B🤝ug 之前，先🇵🇱“ inspec🇬🇸🇫🇲t”一下代码库✨，然后预估⚓🌧自己需要消耗多少🇮🇨🏑 Tok🌔🏌️♀️en——📻♏但不实际执行修复😼。
发现一：Ag🚞ent 写代码的⚙🥚烧钱速度🥜💈，是普通 🇸🇯AI 对话的📦♓seo英文怎么读 1000 倍 ✅👨🎤大家可能觉得，让🧒🧗♂️ AI 帮你🈵写代码和让 🕥AI 跟你🌷☃聊代码🐖👨👧👧，花的♈钱应该差不多吧？⏰ 论文给↪🏔出对比🦘显示： ↙🥣Agentic🐧🇬🇳 编码任务的🔏👨👩👧👧 Token 👎😧消耗量，是🗿普通代🇪🇭码问答和代码推理👨👧任务的 约 ✴1000 🧣🈲倍📹。以1.1B参🦇🆒数量的🏴InternV🇬🇫L3.5-1🇸🇨🌕B为基础做中🧁间训练后，🐎🦚该模型在C🚋🏤alvin上的平🧸均完成任务长度🤗从3.173提升🌒🇱🇻到3.714📬，在Simpl🕵😓erEn👼🐈v上的成功率从🇨🇫36.5🥠%提升到56.3🚥🦉%，在LIBER🧻O上的成功💘🌀率从39🇨🇩.0%提升🎄🧢到54.❓2%📸。
更麻烦的是，研究🌻📋者们此前也尝🦏🈲试过专门把V🛠🎎LM在"具身⛴🐾场景"（即机器人🚹🔯所处的真🚜🤼♂️实物理环境类💐数据）上再做一💱轮微调，期望让它🐁更理解🔓seo英文怎么读机器人世界—🇸🇿7️⃣—但实验证明💾，这样做在🗑🐇VLM的理解能↕力测试上可🌊能有提升，却未必🕐☁能让机器人真正做🇰🇬得更好🥒。英伟达的协🦓😢议覆盖了其 N🥔emo⚜tron🔳 开源模😢🇸🇰型系列，其 CE🤞🐄O 黄仁勋曾在🍝一次公开对话中表↗📝示，在🎛许多的国👲💓seo英文怎么读家安全场景下，😘开源模型比闭®源模型更好，😊因为它们的属🛀🚖性完全可🎰知，可💻🐑以轻松针对特🖕🕠定用途定ℹ制，他表示安全性🖕和可靠性在开源模🦗🇸🇭式下反而得到🔨了增强🎖。
