（来源：上观新闻）
现在各家👳☸平台能力基本都够🏭了，差⛵的是把🌹故事反过来讲，🏄先别急着告诉用😗🇹🇨户「你能做什么💱🗽」，先搞清楚他✝蜘蛛入侵「你哪👨👨👧👦🍪块有问题」➗🐌，能通过服务☎🔯级产品解决💝。Figur👦🆚e 11🔯 的散点🍕图中，⤵🇹🇩几乎所有数据😟点都落在“🛥完美预测👄线”的下方—🇯🇵—模型觉得自🛫己“花不了那么🤳🐖多”，👩❤️👩实际上花了🇱🇮😳更多🔵。在执行速度和🇸🇧软件能🧠🛠力日益决定🕹行业下一阶🧬段发展方向的背景🀄🚆下，苹果8️⃣🚨公司将首席执🇲🇵🕒行官一🗯🐥职交到了一位产💮品工程师手❇中💳。这种路径😧让我们看到了一种🙃新的可能🚎🧿性：未来🥯🥌的智能设备或🔛许可以不依赖算🔂力，而💯🏁是能够自带智🏅📇能😯。
他们没有堆叠更🥊🐾多的结构，而是🖐🇲🇴在二极管中设📸计了新的🇪🇭结构🥎。发现一：A🆙🐏gen👩💼t 写🇻🇨🖲代码的烧钱速度🐄，是普通 🚚🎥AI 对🏎话的 👎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：🎀 Ag👡entic🗞🕹 编码🇰🇲🥮任务的 Tok🥿en 消🤳蜘蛛入侵耗量，是📥普通代码问答和代🤟🌙码推理任务的 约🕝🏴☠️ 100🚢🛠0 倍☦。在面对🚂🍣所有模🥒型都无🇵🇭法解决的困难任务👷🏛时，理想🇩🇪📠的 A🦴🅰gent 🎬应该尽早放弃，⛷🥀而不是继续烧钱⏭。
**五🎈💦、热身训练的🈴🕶效果从第一🇲🇼📟步就开始体◽🚘现** 研究团队⏲还仔细分🍚🌭蜘蛛入侵析了中间训练对🏞VLA学💙习过程本身👨🔬的影响，通过记⛲录VL🇵🇬😡A训练🍍过程中各个检查👩👧🙍点（即训练到📹一半时保存🇹🇬⏫下来的🇵🇷👼模型状态🧛♀️🇶🇦）在三个▪基准上的🖇表现，🎲绘制了完整🌖的训练动态曲线✊。结果表明🐼，随机选择🇸🇦🔋在三个🇸🇭🖐基准上⏭🎓均不如学习得到🇧🇪⚾的邻近性估计♓器——Ca🍀lvi🤡n得分3.3🇰🇪⌚98对比3👩👩👧.714，S🍗imple🥳rEnv 43.🍞🏁8%对比✋56.🔶🤾♂️3%，LIB👩👧👦🐲ERO 👩🏭🔧48.4👐%对比5🇵🇰🧚♀️4.2%💲。
