（来源：上观新闻）
Figure👩👦 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👪🚑。」刘耕说🎃。研究者开发了一👩💻◀个叫「G🇬🇷ene😝🖤tic Car🕔🗯 Desi🌍gne↩👅r」的在线工具，🦄放在游戏平台👨👦👦 itch🏊👩🌾，让参与者📻🇸🇾设计一辆二维♋汽车，目标很简😟单：在 30🕔 秒内👩👧👧🇳🇪跑得越远💴🥌越好🚒🇲🇰。
autoDr🆙🌔eam 产出🏮的记忆，😗🌶在代码里被明🏴🌚确标注为「hi🤨🏛nt」（线索）🏉而非「trut🦍🇬🇾h」（🔣🈶真相）🥋📿，代理每次使用🏴🎓前都要重新验证🇵🇪👥是否仍然成立🏵🛰，因为它知道🧜♂️💂自己整理出来的东🖼西可能不🇭🇰🤞准🐏。发现三：模型之🇩🇴👩👩👧间“能效比🔇🙍”天差地别🤖——GP🍡🥓T-5 最省，♋有的模型多烧 🦌🇧🇼150 万🇲🇨🦀 Token 🃏💤论文在业界标准☠💇♂️的 SWE-be👩✈️🔟nch Ver🇬🇾🇪🇪ified（👨🦱🛤500 🎧个真实 G◼itHub💓 Iss🧫📂ue）🦂😸上，测试了 ☝8 个前沿大模型🥞的 A🥦🛋gent 表🧝♀️现📟。
