（+微:hywyysxs）
Becky：但🧣如果黑客先于👩🎤☄白帽子拿到它🥗👋，会发生什么🌭🇸🇦？他们会找到🧩我们的弱点，🔴🛋甚至利🛢🇧🇱助孕用这些🏀弱点✍。芯片制造是典型的☄🌊超“高固定成本🧂、极低👩👦🛂边际成本”行业⚪♾️。对比另一🇵🇷种流行的方🇷🇺案——🎸"标记集"（🧹Set-😈🇲🇺of-Mark🏌️♀️s）提示策略，🇻🇪这种方📚🇦🇶法通过在屏幕截图🔂📩上标注所有元素🌔🥩的边框和编号💔，让大模型从⛺🧳候选列表🕍⚖中选择——✅🇿🇦GPT-4o配合🇬🇪这种方法的成功☪🇳🇨率只有42.👩👦👦1%，仍然🇹🇰低于G🍠oClick🇲🇴方案的48.9🥐%🇹🇹。
配套还有多📘🤞模态理解能力😲🇧🇸。时间回👥💰拨到今年2月❗，马斯克宣布🦹♀️将自己的AI初创💍公司xAI与👨🎤Space🇷🇼X合并，交🐲🌱易完成后，xA🈚🎞I成为了Spa®ceX旗下的A🦈I部门🕥。每年我们都会收📏到一张账单🇻🇺🈴，然后👩🔬0️⃣我们就付钱®。而一个典型🐄的低分样本则🆘😰是一张书🇦🇽👩👧👦籍封面的图片🔶，配上"🚶♀️这本书是谁写的👩🎓🦅？答：Charl🇧🇸es P. 🍘🐜McKeag👳⛔ue🚅🐋。
Q3：Go🛍Click🙅和Set-of-🍴🕘Mar🙁🐪ks（🕗SoM）提示方🦄📄法相比有什么🈶🐄优势？ A：S🐡8️⃣oM方法💇需要先🇺🇲用一个检测模型㊗🇦🇨把屏幕上所有🐋元素标注出来🥛、打上编号🇮🇨🧲，再让大🔛助孕型语言模型😘🏷从这些候选项中选↗💹择目标，整个流🥈◻程依赖大型专🤙有模型完成🥟👕最终判断🕳🌕。但追觅无🍳🔱叶风扇 MF10🏳⏲ 不一样，◽它的设计真得🇰🇭😈好好聊聊✋。这个工具💿的设计思路，借鉴🌺了一个来自统计学◽和机器学习🍥🇵🇲的经典结论🤣🇱🇾：如果你训练↔一个分类器，让它🍟🇬🇮区分"🇲🇴属于A类"☔和"属于B🇽🇰🛸类"的样🎇本，当这个分类🍧🇮🇲器训练得🇫🇴🏕足够好时，它给每👠个样本🇸🇯打的"🍕🇨🇭属于A类💆的概率🇸🇩🇳🇫"，恰好与🇧🇹🍬这个样本🇱🇧🍺在A类分布下出现🏗的概率7️⃣与在B类分布⛑🇧🇱下出现的概率之👩🦱比成单调关🎖系🚑。
