（来源：上观新闻）
所以我们做的事情💌😺，核心还是更接近🧝♂️创作者，更接近他🍇们在生产的内容🆓。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VL🍭M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🐍。病理诊🍋断就是🗳临床诊断的“🇸🇿金标准🏈🧙♂️”💢。最好的成🇸🇧绩是 Clau🚷de Son🎄🌍net-4.5🧼🧝♂️ 对输出🍖🏩 To🍕ken🚈🤦♀️ 的预测相关性👨🦳——0.🎁🧿39（🐄🚺满分 1🌛🙌.0）🎦。
更有意思🇰🇷🚤的一个发现是：👂♟️Token🔱sem投放 效率是模🧣✝型的“固🤔🌔有性格🈳↩”，而非任务使然🖐。反过来，擎天♋租在商业一线获取📨的复杂场景交互👩👦👦🇬🇾数据，也😥🤑以最短路径反哺🇨🇲智元的技术中🥐台⛑🗞。（本文首发钛🍍媒体APP，作🈷者 | 硅谷🍃☃Tech🚊🤲 news，编辑🍇 | 赵虹🚸🏌️♀️宇） 🇨🇨注：本🔜文基于 20🖊🥿sem投放26 📃☂年 4 💇🇿🇦月 24 日发🔶表于 🇹🇯arXi🎓v 的预印💥👨👨👦👦sem投放本论文 *Ho🍈🏩w Do A💼🍚I A🌋🇲🇾gent👨👩👧👦🕣s Spend 👷💽Your◾⏱ Money? 🔍Analyzi📪ng a🇹🇭👩🚒nd P🧖♂️🇫🇮redict🚼ing T🤤👌oken Co👩nsu🇰🇿😅mpt👩🚀ion in🇲🇩🖖 Agenti🇨🇰c Coding🥎 Tas❄🤹♀️ks*（🚄🕗Bai🇷🇺🌄, Hu🤷♂️🆚ang😕📊, Wang🤢, S💝un, Mih🏃alcea,🇹🇻 Brynjol🇪🇦↖fsson🐺, Pentla🔣🧢nd, P❌👷ei）撰写🌆🛑。
