（来源：上观新闻）
论文的🧶ℹ结论直截了当🐌🔓： 现阶段☘，前沿模型无法🕵准确预测自身的❌⚜ Token ❤用量♨。其一，邻近👩🚒性估计器🚣♀️完全建立在冻👩🦳🐓结的VLM特🙆♂️征之上，🖥无需对🛬VLM本身😻做任何改动，🇷🇺🇳🇬计算代价极低🌛🐥。一个能力略逊🥴但效率高 3🛋 倍的模⛽泛目录型，在规模化🇧🇦🍧场景下可能比“◾最强但最费👂🇱🇾”的模型更🔻有经济价值🌼🍒。随着外🃏部股东占比的提🇩🇲🌻升，智元对擎天租👩👧的支持开始🧼从“股权🧞♀️🏨控股”向“战略共🏴生”转型🐥🔹。
相关方案细节目🌦🤑前还在测试阶🐃段，正式上线🇸🇹🆕时会通过官方💇♂️渠道发布完整信🚨息🍶。2026 年🌩😺 4 月🍷，一篇🚫由斯坦🚬▪福、MIT、密歇🇦🇽📡根大学等联🙂💶合发布🐻💜的研究论文，第🧾一次系统性地✴♟️打开了 6️⃣AI Age⏸👙nt 🖊在代码🇶🇦任务中的🛰🍬“消费黑箱”——🧖♂️🚋钱到底🧥花在哪了🖐、花得值🛳🏭不值、🔭👨⚕️能不能提前预估，⛈📡答案令人震惊🇸🇯。
它打开项目🇨🇵，读了Ⓜ 20 个文件，💏🌇改了改，跑了一🌪🖇下测试🔪，没过，又改，🐲⏱又跑，还是🉑没过……🔆来回折腾了十几🤠⛅轮，终于✅🍔——还是没📬2️⃣修好🇨🇾。所以，做v🏥🖕ibe Codi🕔ng平台，改变🍽🧚♀️思维方💉💽式很重🚨🥩要〰✅。多数模型的预🍙测相关性只有🤳 0.05 到🙄 0.34 🧕😍之间，Gemi🦜🐓ni-🤶🇲🇾3-Pro 最低🥰，仅为 0.🥙👨✈️04—🐥—基本等于瞎🔻🥘猜⚜🍭。@恰好满足这些条🔴件🔁。研究团队在五⏮个VLM标🍘🚶准基准测试上🎊⛏评估了中间训练🧔📴前后的变化♑。
