（来源：上观新闻）
随着代码和数据🎏的公开，任😶何研究团队都可🇲🇵🧐以在相同🌼🎟的标准下🇳🇬🧀检验自己🏧的系统，比较结果♋🧬不再是"各说各话🌚🕙"，而是有了一🚨🎣把共同的尺子🤩。归纳起🤣来，现有工具🤸♀️👿的缺陷集🔓中在三个方面0️⃣：其一，真🧙♂️实多媒体材料的缺✡失——现实🧵☄中的用户往往🇵🇬会提供图片、视🇲🇨🇱🇨频、音频或表格🇬🇦文件，而非只💂有文字，评测工具🇨🇮却普遍忽视这一点🦚👄；其二，🇵🇲可复现🚻性与真实性难❔以兼得——要么🕔贴近真实🎵但无法复现，要么🍘📊可复现却脱离真实🌋🍮；其三，对❌🌉"噪音"和"🇹🇱🔓干扰信🇲🇳息"的处理😦缺失—🎊—真实的网络🌝上充满了过时的、🛐片面的、甚至👖刻意误导的信息🧛♀️，而大👬多数评测环境中🔇📄的信息🙈都是干净的，无🧟♀️法检验AI在"信🛢息战场"中的🧡🍁实际表现👨💼😥。
据媒体🇭🇷🕠披露，2🔲☔025👷♀️🗿年OpenAI🤒🔂营收131亿美元🤦♀️🚧，亏损高达8👖0亿美元，预计今🔬年亏损将飙升至2🐸50亿美元🇧🇯。由于计算⚔、存储、互联🌍🇧🇦全在单🎴芯片内，数🛥🦆据传输延📌🍵迟较GPU🦄集群降低90%，☄🇸🇦尤其适配大模🥯☯型低延迟推理👨👩👦👦🇬🇭。
用更直白的🔝话说，这些模型🤽♀️☃很擅长写出"🚱🇦🇮看起来🍀📊完整、👨🍳🍏结构漂亮"的报告🇭🇷，但报告里😳🔏填的内容却🙅♂️🚚可能是编出🐌来的🇰🇮。会话连续性👲♒测试用10条✨涵盖地理、科学、🥅♊技术和历史的多样🥳🚿性事实验证🎼跨会话持🙆♂️久化：存入Ses🈁😶sio🏂♣n A，关闭引擎👮♀️，重启💇♂️进入Ses🏫🌍sion 🇫🇲🕋B，10/10条🇬🇫🎒全部存活，🔎均以第一名被检索🥛到🏪。
