（来源：上观新闻）
这篇论文给出了第🥡🚛三个同🇹🇩🇺🇳等重要的维度：能🚳😦火端泛站效（花多少才能干♎📫成）📱🧚♂️。同样的内容我还🔬想做成知识卡🕌🇮🇱片，发🌔♥社交媒体；试了🌈好几个A🇵🇼I，效😌🌑果都不行，最后🇺🇦🧤用Goo🚏🌊gle的🕶Noteboo🇵🇦kLM搞定了🦟🏦。感兴趣的读者可通🔙🗨过该编号🕚🦟查阅完整论文🚻。市场反🇲🇦🕋应相对🇪🇦平稳👨👦。发现四：人💐🤜类觉得难🏖的，Age🌱nt 🕳不一定觉得贵🤭——难度感知完全🇦🇨错位 你可🇴🇲💮能会想：那至少⏩我可以根据任务🚙的难易程度🤗📇来预估成本吧🇪🇹？ 论文找🏌️♀️💹来人类🇦🇼专家，对 ♣500 个任务🔢的难度进行评🎯分，然后👪和 Ag😄🇰🇬ent 的实际🍰📬 Toke🇵🇷n 消耗做对比—🧪🐌— 结🥧🆖果：两者之间只有🇳🇪🌞弱相关🕵️♀️。
第一种替代👫🇳🇦方案是随机选🛶🍇择：从候选数据池🥢📺里随机抽取相同数🇸🇴量的样🇨🇳🔔本做中🏁间训练🤩🌼，不做任🍝🥣何基于内容的🚡筛选💠。3月16日🍻，智谱发🐯布专为智能体🇧🇾🇭🇰“龙虾”（Op🍹enClaw🈴👊）场景深度优化📝🥦的通用大模型G🕜🈺LM-5-Tu🏜rbo，并上🏁调其API价😌格，涨幅为2🌳🚄0%🧘♂️。在参数🚑量上，这个经过中🇸🇰⌛间训练的1.1🐺B模型，👞面对的竞争🔵👺对手包括7.7B😁参数的📩OpenV🥉LA、3.1B参🔡数的π0🇬🇦🤘（基于P🌜🔮ali🇱🇮🇲🇱Gemm🥪⛸a-1的流匹配模™型）、3.8B参🦴🇩🇲数的Q🦌wen2.5VL✖-3B、8.3B🆎🦠参数的Q🇷🇪↘wen2.🌂5VL-7B🏉🇿🇦，以及规👨🎨模从2B到30B🛡🧗♂️的多个Qwen3🇬🇸VL系列模型🧨。
