（来源：上观新闻）
刘耕：对📆。论文的结论直🤥🇲🇶截了当： 🛫➡现阶段⌛🌍，前沿模📁怎么引蜘蛛出来型无法准确预👨🎨测自身的 To😝👨👨👧👦ken 用量6️⃣👷。资本押👸🏂注擎天租，不是🇩🇯😓因为它没毛🚘病，而是因为眼下🚪能选的牌里，😂它手里的牌最齐，🤢400个✳😭合伙人🐵、13国布局、保0️⃣险闭环，🥉🗣这些“脏🧼🏠活”别人还🌳没干完🧬。论文把这个🏯现象总🌯结为一🏇句话：驱🧛♀️🍓动 Age🤹♀️nt 成本🕙的，是输入♌📞 Token 的🤠🦝指数级增长，而非🚵♀️🥘输出 Token✉🚃。但这 🦸♀️14%的👨👧🍫人，产📫出了最好的设计🉑。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🇳🇵✂。早在电子邮件和社☎🍍交媒体出现之前📧，它就🚏已经存在🍷。一个埋头🔋☁在实验🔝🔛室里“造”机器人🚪4️⃣的硬科技标🇧🇲☺杆，一个穿梭在线⏏下场景里做📊“用”机器人生意💱◻的服务平台，3️⃣后者的估值只🛶🧫达到了前者的20📫🚿%🕛🇨🇬。
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 A🛠I 自己来预🧶🔥测呢？ 研究🇪🇨👨⚖️者设计了一🇱🇮个精巧的实验🧩🈳：让 Agent🏗 在真正开🤙始修 B📧🇬🇮ug 之前，先🏴☠️“ inspe🇷🇺ct”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💫🚰。一个能力🐔略逊但效率高 😾3 倍的模型📐🥋，在规模化🇵🇦场景下🌞可能比“最强🚌🧛♀️但最费”的模型更🙅♂️有经济价值🇨🇰。
